X-VLA 是一个 Vision-Language-Action 基础模型，面向跨本体、跨领域的机器人控制。它使用软提示在统一的 Transformer 架构中处理不同机器人形态和任务域，输入包括多视角图像、本体感知/状态，以及可选的语言指令，输出为连续动作。

该模型的训练目标是 flow matching，动作表示为连续形式。仓库中的 LeRobot 实现遵循原始参考代码以保持兼容，定位是作为基础模型，供开发者针对具体使用场景进行微调。

使用方式上，可加载模型和数据批次后调用 select_action 做推理；训练或微调时通常调用 forward 得到 loss 并反向传播，也可通过 lerobot-train 进行完整训练流程。真实世界推理与评估可使用 lerobot-record，并以策略 checkpoint 作为输入记录评估 episode。