X-VLA

X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model进阶

给每个数据源配专属「软提示」来统一多种机器人的 0.9B 跨本体 VLA

清华大学智能产业研究院（AIR）与上海人工智能实验室等 2025 年 10 月提出，已被 ICLR 2026 接收。跨本体训练的难点是不同机器人的相机、动作空间差别大，混在一起训练会互相干扰。X-VLA 给每个数据来源配一组可学习的嵌入向量作为「软提示」，告诉模型当前是哪种硬件，其余主干全部共享；动作用流匹配生成，主干是标准 Transformer 编码器。0.9B 参数版本在 DROID、RoboMIND、AgiBot 共 29 万条轨迹上预训练，在 LIBERO、SimplerEnv、CALVIN 等 6 个仿真基准和 3 个真机平台上取得领先。代码以 Apache-2.0 开源，并已接入 LeRobot。