# X-VLA-WidowX

> 权威词条地址：https://robotics.hellobike.com/models/2toinf-x-vla-widowx
> 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-WidowX"] |
| `layers` | ["L7", "L8"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/2toINF/X-VLA-WidowX"}] |
| `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-WidowX |
| `hub_stats` | {"downloads": 200, "likes": 3, "as_of": "2026-10-21"} |

## 技术详解与生态说明

X-VLA 0.9B（WidowX Edition）是面向 Vision-Language-Action 的机器人模型，采用软提示方法为不同 embodiment 引入独立的可学习 embedding，以利用跨机器人数据中的异构性。其架构包含 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、预处理/后处理和损失定义的 Action Hub。

该模型使用 Bridge Data V2 训练，参数量约 0.9B，动作模式为 `ee6d`，精度标为 BP16，框架为 PyTorch + Transformers。仓库描述其在六个仿真和三个真实机器人上评估；在 Simpler-Env 的 WidowX 四个任务中，Visual Matching 结果为 Spoon 100、Carrot 91.7、Blocks 95.8、Eggplant 95.8，平均 95.8%。可通过项目提供的 FastAPI 服务和客户端/服务端评估代码运行，评估会在 `logs/` 下生成任务级视频和日志，许可为 Apache 2.0。

## 原始核验来源 (Sources)

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