X-VLA 是一个 soft-prompted、flow-matching 的 Vision-Language-Action 框架，将每种机器人或硬件配置视为由少量可学习 Soft Prompt embedding 编码的“任务”，用于让单一模型适配不同机器人形态、传感器和动作空间。该策略使用 LeRobot 训练并发布到 Hub，许可证为 apache-2.0。

此模型从 lerobot/xvla-base 微调，机器人类型为 franka，相机为 third_person 和 gripper。训练数据来自 Grigorij/Isaac_franka，包含 40 个 episodes、11800 帧、30 FPS，任务为 “pick and place cube”。输入包括多路视觉观测与 8 维状态，输出为 9 维 action；训练配置包含 20000 steps、batch size 8、xvla-adamw、学习率 0.0001、seed 1000、LeRobot 0.6.0。

使用方式围绕 LeRobot 工作流，包括安装、硬件设置、记录数据与训练策略，以及通过 CLI 运行策略；运行时需要按本机配置替换 robot port 和相机名称/索引，并保证相机名称匹配训练时的 observation keys。该策略尚未提供评估结果。