X-VLA 0.9B（Libero Edition）是一个通用 Vision-Language-Action 模型，面向跨本体机器人学习。它采用 Soft Prompt 思路，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；整体被描述为基于 flow matching、仅依赖 soft-prompted 标准 Transformer 的 VLA 架构。

模型组件包括作为视觉语言表示骨干的 Florence 2 Encoder、用于动作去噪的 SoftPromptedTransformer，以及负责动作空间、mask、前后处理和损失的 Action Hub。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。该模型被描述为在六个仿真和三个真实机器人上评估，并在多种基准中达到 state-of-the-art；仓库还提到可通过 FastAPI 服务和客户端-服务端方式进行评测，许可证为 Apache 2.0。