# X-VLA-Google-Robot

> 权威词条地址：https://robotics.hellobike.com/models/2toinf-x-vla-google-robot
> 所属分类：models | 最近核验日期：2025-11-12 | 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 |
| :--- | :--- |
| `layers` | ["L7", "L8"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/2toINF/X-VLA-Google-Robot"}] |
| `updated` | 2025-11-12 |
| `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-Google-Robot |
| `hub_stats` | {"downloads": 41, "likes": 1, "as_of": "2026-10-21"} |
| `overview_sources` | ["https://huggingface.co/2toINF/X-VLA-Google-Robot"] |

## 技术详解与生态说明

X-VLA 0.9B（Google-Robot Edition）是一个面向通用机器人控制的 Vision-Language-Action 模型，论文题为“X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model”。其目标是利用跨平台、异构机器人数据进行训练，并通过面向不同 embodiment 的可学习软提示来建模具身差异。 

模型架构包含 Florence 2 Encoder、SoftPromptedTransformer 和 Action Hub：前者作为视觉语言表征编码器，SoftPromptedTransformer 作为基于 flow matching 的动作去噪器，Action Hub 负责动作空间、mask 规则、前后处理和损失。训练摘要给出其使用 Bridge Data V2，参数规模约 0.9B，动作模式为 ee6d，精度为 BP16，框架为 PyTorch + Transformers。 

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 中展示跨 embodiment、环境和任务的适应能力。仓库提到可加载模型、启动 FastAPI 服务，并通过 GitHub 中的客户端与服务端代码进行评估；许可证标注为 Apache 2.0。

## 原始核验来源 (Sources)

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