X-VLA 0.9B（Calvin Edition）是一个面向跨本体机器人的 Vision-Language-Action 模型，论文题为“X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model”。其核心思路是在不同机器人本体上引入独立的可学习 soft prompts，用较少新增参数来利用跨本体数据中的异构性。

模型架构包含 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、前后处理和损失定义的 Action Hub。训练数据为 Bridge Data V2，参数规模约 0.9B，动作模式为 ee6d，使用 PyTorch + Transformers 框架。

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 上达到 state-of-the-art performance，体现跨本体、环境和任务的灵活性与快速适应能力。仓库提到可通过 FastAPI server 与客户端进行评估，代码和 client/server 实现在 GitHub；许可证为 Apache 2.0。