# X-VLA-VLABench

> 权威词条地址：https://robotics.hellobike.com/models/2toinf-x-vla-vlabench
> 所属分类：models | 最近核验日期：2026-04-21 | 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-VLABench"}] |
| `updated` | 2026-04-21 |
| `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-VLABench |
| `hub_stats` | {"downloads": 65, "likes": 1, "as_of": "2026-10-21"} |
| `overview_sources` | ["https://huggingface.co/2toINF/X-VLA-VLABench"] |

## 技术详解与生态说明

X-VLA 0.9B（WidowX Edition）是面向通用机器人操作的视觉-语言-动作模型，强调跨本体训练。它采用 Soft Prompt 方法，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。

模型架构由 Florence 2 Encoder、SoftPromptedTransformer 和 Action Hub 组成；其中 SoftPromptedTransformer 是基于 flow matching 的动作去噪器，Action Hub 负责动作空间、mask 规则、预/后处理和损失。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。

该模型在六个仿真和三个真实机器人上评估，并声称在多样化基准上达到 state-of-the-art 表现，展示跨本体、环境和任务的灵活操作与快速适应能力。使用方式包括加载模型、启动 FastAPI 服务，以及通过 GitHub 提供的客户端/服务端代码评估；评估会在 logs/ 下生成任务级视频和日志。

## 原始核验来源 (Sources)

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