X-VLA 0.9B（Foundation Edition）是一个面向跨本体机器人学习的 Vision-Language-Action 模型，目标是在多种机器人平台和异构数据源上训练通用策略。它采用软提示方法，为不同 embodiment 引入独立的可学习嵌入，以利用跨本体特征。

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、前后处理和损失的 Action Hub。模型参数量约 0.9B，动作模式为 ee6d，训练数据包括 Bridge Data/heterogeneous datasets，框架为 PyTorch + Transformers。

该模型在六个仿真和三个真实机器人上评估，覆盖多样 benchmark，并宣称在多样环境与任务中具备灵活操作和快速适应能力。仓库提到可加载模型、启动 FastAPI server，并通过 GitHub 提供 client-server evaluation 代码；许可证为 Apache 2.0。