X-VLA 是一个 Vision-Language-Action 基础模型，用软提示在统一的 Transformer 架构中处理跨本体、跨领域的机器人控制。该 LeRobot 版本跟随原始参考实现以保持兼容，模型输入包括多视角图像、本体/状态信息以及可选语言指令，输出为连续动作，训练目标为 flow matching，动作表示也是连续形式。

这个检查点在 BridgeData 上微调，用于 compact WidowX platforms 上的 pick-and-place 实验，并展示了较稳健的操作能力。定位上它可作为面向具体应用继续微调的基础模型。

使用方式包括加载模型和数据集后调用 select_action 做真实 batch 推理；训练或微调时通常调用 forward(...) 得到 loss 并反向传播，也可配合 lerobot-train 使用。真实世界推理与评估可使用 lerobot-record，输入策略检查点并记录评估 episodes。