# X-VLA-Pt

> 权威词条地址：https://robotics.hellobike.com/models/2toinf-x-vla-pt
> 所属分类：models | 最近核验日期：2025-11-16 | 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-Pt"}] |
| `updated` | 2025-11-16 |
| `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-Pt |
| `hub_stats` | {"downloads": 6327, "likes": 14, "as_of": "2026-10-26"} |
| `overview_sources` | ["https://huggingface.co/2toINF/X-VLA-Pt"] |

## 技术详解与生态说明

X-VLA 0.9B（Foundation Edition）是一个面向跨本体机器人学习的 Vision-Language-Action 模型，目标是在多种机器人平台和异构数据源上训练通用策略。它采用软提示方法，为不同 embodiment 引入独立的可学习嵌入，以利用跨本体特征。

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、前后处理和损失的 Action Hub。模型参数量约 0.9B，动作模式为 `ee6d`，训练数据包括 Bridge Data/heterogeneous datasets，框架为 PyTorch + Transformers。

该模型在六个仿真和三个真实机器人上评估，覆盖多样 benchmark，并宣称在多样环境与任务中具备灵活操作和快速适应能力。仓库提到可加载模型、启动 FastAPI server，并通过 GitHub 提供 client-server evaluation 代码；许可证为 Apache 2.0。

## 原始核验来源 (Sources)

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