X-VLA 0.9B（WidowX Edition）是面向 Vision-Language-Action 的机器人模型，采用软提示方法为不同 embodiment 引入独立的可学习 embedding，以利用跨机器人数据中的异构性。其架构包含 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、预处理/后处理和损失定义的 Action Hub。

该模型使用 Bridge Data V2 训练，参数量约 0.9B，动作模式为 ee6d，精度标为 BP16，框架为 PyTorch + Transformers。仓库描述其在六个仿真和三个真实机器人上评估；在 Simpler-Env 的 WidowX 四个任务中，Visual Matching 结果为 Spoon 100、Carrot 91.7、Blocks 95.8、Eggplant 95.8，平均 95.8%。可通过项目提供的 FastAPI 服务和客户端/服务端评估代码运行，评估会在 logs/ 下生成任务级视频和日志，许可为 Apache 2.0。