機器人基礎模型的整個生命週期都高度依賴資料標籤：在真實部署階段，需要結果獎勵標籤來監控系統表現；在強化學習後訓練階段，需要過程獎勵標籤來指導策略最佳化；在預訓練資料構建階段，則需要帶時間戳的字幕來篩選與平衡資料。以往這些能力往往分散在不同模型或商業 API 中，而最新公開的論文提出了一個統一方案。
這篇題為《FLORA: An Open Model Suite for Scaling Robotics Data Engines》的論文由 Sicong Leng 等 17 位作者完成，於 2026 年 10 月 22 日提交至 arXiv，歸類為機器人學（cs.RO），論文編號為 arXiv:2610.31779v1。作者團隊提出的 Flora 被描述為一套工業級資料引擎，已實際用於訓練 GR00T 系列機器人模型，並能同時覆蓋上述三類標註需求。
在評測結果方面，Flora 在字幕生成基準 WGO-Bench 以及獎勵評測基準 RoboReward 與 Robometer 上均取得當前最優成績。在團隊內部基準上，它的表現與 GPT-6 Astra 處於同一水平，同時優於其他前沿模型。更值得注意的是成本：論文稱 Flora 比基於 API 的替代方案便宜得多，相對 GPT-6 Astra 約便宜 125 倍。
規模驗證同樣是這項工作的重點。研究團隊表示，Flora 已在大規模生產環境中經過實際檢驗，可在 512 臺 GB300 上每天標註 20 萬小時的資料，說明該引擎並非實驗室原型，而是能夠支撐工業級資料流水線的系統。
論文的核心貢獻之一是開源。作者希望透過開放這套資料引擎，讓研究者能夠擴充套件自建的機器人資料集，並探索一些新興應用方向，例如物理世界的自動研究（physical auto-research）以及從人類動作到機器人技能的遷移。對於機器人學習社群而言，這意味著高質量資料標註能力的門檻有望顯著降低。
需要說明的是，目前公開資訊主要來自論文摘要與 arXiv 頁面，具體模型結構、訓練細節和各基準的數值結果尚需查閱全文。論文全文提供 PDF、實驗性 HTML 以及 TeX 原始碼等多種形式，提交記錄顯示該版本於 2026 年 10 月 22 日 18:16:17 UTC 上傳，檔案大小約 8,889 KB。