X-VLA 0.9B（WidowX Edition）是面向通用机器人操作的视觉-语言-动作模型，强调跨本体训练。它采用 Soft Prompt 方法，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。

模型架构由 Florence 2 Encoder、SoftPromptedTransformer 和 Action Hub 组成；其中 SoftPromptedTransformer 是基于 flow matching 的动作去噪器，Action Hub 负责动作空间、mask 规则、预/后处理和损失。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。

该模型在六个仿真和三个真实机器人上评估，并声称在多样化基准上达到 state-of-the-art 表现，展示跨本体、环境和任务的灵活操作与快速适应能力。使用方式包括加载模型、启动 FastAPI 服务，以及通过 GitHub 提供的客户端/服务端代码评估；评估会在 logs/ 下生成任务级视频和日志。