# X-VLA-Calvin-ABC_D

> 权威词条地址：https://robotics.hellobike.com/models/2toinf-x-vla-calvin-abc-d
> 所属分类：models | 最近核验日期：2025-11-15 | 技术层级：L7, L8

## 核心摘要

2toINF 在 Hugging Face 发布的机器人模型，架构为 X-VLA (Florence-2 + Action Transformer)，参数规模 880M。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `overview_sources` | ["https://huggingface.co/2toINF/X-VLA-Calvin-ABC_D"] |
| `layers` | ["L7", "L8"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/2toINF/X-VLA-Calvin-ABC_D"}] |
| `updated` | 2025-11-15 |
| `family` | vla |
| `params` | 880M |
| `architecture` | X-VLA (Florence-2 + Action Transformer) |
| `action_representation` | 连续关节位置/末端位姿动作空间 |
| `code_license` | apache-2.0 |
| `weights_license` | apache-2.0 |
| `data_formats` | ["SafeTensors"] |
| `status` | research |
| `hub_id` | 2toINF/X-VLA-Calvin-ABC_D |
| `hub_stats` | {"downloads": 154, "likes": 0, "as_of": "2026-10-21"} |

## 技术详解与生态说明

X-VLA 0.9B（Calvin Edition）是一个面向跨本体机器人的 Vision-Language-Action 模型，论文题为“X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model”。其核心思路是在不同机器人本体上引入独立的可学习 soft prompts，用较少新增参数来利用跨本体数据中的异构性。

模型架构包含 Florence 2 Encoder 作为视觉语言表征骨干、SoftPromptedTransformer 作为基于 flow matching 的动作去噪器，以及用于动作空间、mask、前后处理和损失定义的 Action Hub。训练数据为 Bridge Data V2，参数规模约 0.9B，动作模式为 ee6d，使用 PyTorch + Transformers 框架。

该模型被描述为在六个仿真和三个真实机器人上评估，并在多种 benchmark 上达到 state-of-the-art performance，体现跨本体、环境和任务的灵活性与快速适应能力。仓库提到可通过 FastAPI server 与客户端进行评估，代码和 client/server 实现在 GitHub；许可证为 Apache 2.0。

## 原始核验来源 (Sources)

- [Hugging Face 2toINF/X-VLA-Calvin-ABC_D](https://huggingface.co/2toINF/X-VLA-Calvin-ABC_D)