X-VLA 0.9B（Google-Robot Edition）是一个面向通用机器人控制的 Vision-Language-Action 模型，论文题为“X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model”。其目标是利用跨平台、异构机器人数据进行训练，并通过面向不同 embodiment 的可学习软提示来建模具身差异。

模型架构包含 Florence 2 Encoder、SoftPromptedTransformer 和 Action Hub：前者作为视觉语言表征编码器，SoftPromptedTransformer 作为基于 flow matching 的动作去噪器，Action Hub 负责动作空间、mask 规则、前后处理和损失。训练摘要给出其使用 Bridge Data V2，参数规模约 0.9B，动作模式为 ee6d，精度为 BP16，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 benchmark 中展示跨 embodiment、环境和任务的适应能力。仓库提到可加载模型、启动 FastAPI 服务，并通过 GitHub 中的客户端与服务端代码进行评估；许可证标注为 Apache 2.0。