X-VLA 0.9B（RoboTwin Edition）是一个视觉-语言-动作模型，面向跨本体机器人学习。它采用 Soft Prompt 方法，为不同 embodiment 引入独立的可学习嵌入，以利用跨本体特征；整体是基于 flow matching 的 VLA 设计，使用标准 Transformer。架构组件包括 Florence 2 Encoder、SoftPromptedTransformer 和 Action Hub。

该模型训练数据为 Bridge Data V2，参数规模约 0.9B，动作模式为 ee6d，框架为 PyTorch + Transformers。其被描述为在六个仿真和三个真实机器人上评估，并在多样化基准中达到 state-of-the-art performance。使用方式包括加载模型、启动 FastAPI server，以及通过项目 GitHub 提供的客户端进行 client-server evaluation；许可为 Apache 2.0。