X-VLA 是一个 Vision-Language-Action 基础模型，使用 soft prompts 在统一的 Transformer 架构中处理跨本体、跨域的机器人控制。该 checkpoint 适配 Google Robot platforms，LeRobot 实现遵循原始参考代码以保持兼容性。

模型输入包括多视角图像、proprio/state，以及可选的语言指令；输出为连续动作。训练目标是 flow matching，动作表示为 continuous，定位是作为基础模型，在具体使用场景上继续 fine-tune。

使用上可按 LeRobot 安装文档配置环境，加载模型和数据集后通过 select_action 做推理；训练或微调时通常调用 forward(...) 得到 loss 再反向传播，也可使用 lerobot-train 运行完整训练流程，并配置 chunk_size、n_action_steps、max_action_tokens、gradient_checkpointing 等策略参数。真实世界推理与评估可用 lerobot-record 载入策略 checkpoint 并记录评估 episode。