# X-VLA-Libero

> 权威词条地址：https://robotics.hellobike.com/models/2toinf-x-vla-libero
> 所属分类：models | 最近核验日期：2025-11-11 | 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-Libero"] |
| `layers` | ["L7", "L8"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/2toINF/X-VLA-Libero"}] |
| `updated` | 2025-11-11 |
| `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-Libero |
| `hub_stats` | {"downloads": 2873, "likes": 2, "as_of": "2026-10-21"} |

## 技术详解与生态说明

X-VLA 0.9B（Libero Edition）是一个通用 Vision-Language-Action 模型，面向跨本体机器人学习。它采用 Soft Prompt 思路，为不同机器人本体引入独立的可学习嵌入，以利用异构机器人数据中的跨本体特征；整体被描述为基于 flow matching、仅依赖 soft-prompted 标准 Transformer 的 VLA 架构。

模型组件包括作为视觉语言表示骨干的 Florence 2 Encoder、用于动作去噪的 SoftPromptedTransformer，以及负责动作空间、mask、前后处理和损失的 Action Hub。训练数据为 Bridge Data V2，参数规模约 0.9B，动作模式为 ee6d，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，并在多种基准中达到 state-of-the-art；仓库还提到可通过 FastAPI 服务和客户端-服务端方式进行评测，许可证为 Apache 2.0。

## 原始核验来源 (Sources)

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