X-VLA作为全球首个实现120分钟完全自主叠衣的开源模型，在IROS 2025竞赛中夺冠。其突破性在于采用软提示Transformer架构，通过可学习的Soft-Prompt向量编码异构机器人特征，实现了跨7种硬件平台的统一适配。
该模型通过多模态编码管道处理视觉-语言-动作信息：主视角由VLM处理，辅助视角通过共享视觉主干编码，结合本体状态与时间信息进行早期融合。在包含290K演示数据的异质数据集预训练后，X-VLA在WidowX、AgileX等真实机器人上均达到SOTA性能。
研究同时开源了高质量布料折叠数据集Soft-FOLD。实验证实模型具备优异的缩放特性与可解释性，软提示能有效提取跨实体共性，为通用具身智能奠定了新技术范式。
论文题目：X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model
