Flora-Captioner · 同批 50 条目标片段审核
同一批 Stage-2 QA50 视频，每段视频固定选取 1 个 TARGET；使用 NVIDIA 官方 Human 单视角输入采样与原生 prompt。
单人逐条视觉审核；准确需主操作对象与动作成立，且不能虚构完成状态；证据不足单列。使用官方模型权重、输入采样与 prompt；推理环境 Torch 2.13.0+cu126、Transformers 5.8.1，官方指定的 Torch 2.11.0+cu128 复验尚未完成。Flora 为指定 TARGET 生成单句英文动作指令，不预测 Stage-2 边界或 JSON；本页准确率与
四模型完整事件窗口准确率
是不同任务。
官方模型卡