X-VLA 是一个 soft-prompted、flow-matching 的视觉-语言-动作框架，将每个机器人或硬件配置视为由少量可学习 Soft Prompt embedding 编码的“任务”，用于在单一模型中协调不同机器人形态、传感器和动作空间。该策略已使用 LeRobot 训练并发布到 Hub。

该模型从 lerobot/xvla-base 微调而来，机器人类型为 franka，使用 third_person 与 gripper 相机。训练数据来自 Grigorij/Isaac_franka_2，包含 40 个 episode、11800 帧、30 FPS，任务为“pick and place cube”。输入包括多路视觉图像与 8 维状态，输出为 9 维 action。

使用方式指向 LeRobot 的 xvla guide 和相关文档，可通过 LeRobot 工作流运行或继续训练；运行时需要按本机配置替换 robot.port 和相机名称/索引，且相机名称需匹配训练时的 observation keys。许可证为 apache-2.0，当前未提供该策略的评测结果。