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

这是一份面向零基础读者的结构化研究笔记。本文只把公开论文文本和 arXiv 元数据能支持的结论写成事实；本站没有本地训练、仿真或真机复现实验，因此不会把论文报告的成功率写成本站 E4 结果。

一句话讲什么（TL;DR）

X-VLA 解决的是跨机器人预训练的稳定性问题：同一批数据里机器人、相机、动作空间、遥操作风格都不同，直接混训容易崩；它用每个数据源一组 learnable soft prompts，让主干学 embodiment-agnostic 能力。

如果只记一个直觉：第 2 批都在回答同一个大问题：VLA 怎么从单一机器人、单一任务、单一动作空间，走向跨机器人、跨任务、跨数据源的 generalist policy。

所以这一节是想说：X-VLA 的价值在于补上 VLA 从单点能力走向跨 embodiment 扩展的一个关键环节。

这是个什么场景

把机器人数据想成来自不同城市的方言。直接把所有方言丢给同一个学生，学生会混乱；X-VLA 给每个方言配一张可学习的“口音提示卡”，让学生先知道当前说话环境，再学语言背后的共同规律。

第 2 批主线：跨 embodiment VLA

异构数据 / 多机器人 / 推理数据 / 动作专家
          │
          ▼
   X-VLA
          │
          ▼
让 VLA 更能处理身体差异、任务依赖和跨平台迁移

机制通用图

[图像/语言/机器人状态]
          │
          ▼
[身体或数据源差异建模]
          │
          ▼
[动作生成模块：flow / token / MoE / graph]
          │
          ▼
[仿真或真实机器人成功率]

这个场景和普通 VLM 最大区别在于：身体差异会改变输出的含义。同样一个动作向量，在 WidowX、UR5、Aloha 或 xArm7 上可能代表完全不同的控制语义。模型如果不知道自己当前面对哪具身体，就像把汽车方向盘、游戏手柄和钢琴键盘当成同一种输入设备。

所以这一节是想说：读 X-VLA 要把它放进跨身体迁移和动作语义对齐的场景里。

之前的人怎么做的，为什么不够好

大规模 VLA 需要异构机器人数据，但机器人数据的异构性远强于图文数据：硬件不同、动作空间不同、相机视角不同、控制频率不同、任务粒度不同。已有方法常在输出端做 domain-specific action projection，却没让主干早期就知道当前 embodiment 差异。

早期 VLA 的成功往往发生在相对固定的环境里：固定机械臂、固定相机、固定动作空间、固定任务分布。这样的结果很重要，但它离“一个模型能被很多机器人复用”还有距离。真实机器人生态更像一个混乱的仓库：每台机器人的关节数不同、夹爪不同、相机位置不同，采集数据的人也不同。

直接把这些数据混在一起，表面上是扩大数据规模，实质上可能制造冲突。一个数据源里的第 3 维动作可能是末端 x 位移，另一个数据源里第 3 维可能是某个关节角。模型如果没有专门机制区分这些语义，训练损失会被噪声污染。第 2 批论文的共同点，就是都在给这种异构性设计新的接口。

所以这一节是想说：旧方法不够好，不是因为端到端路线错了，而是因为端到端还需要知道自己面对哪种身体和哪种动作语言。

这篇论文的新想法

X-VLA 把 prompt learning 概念搬进 cross-embodiment robot learning。每个数据源拥有少量 learnable soft prompts，注入 action generation 早期，配合 aligned end-effector action representation、intention abstraction、balanced sampling 和两阶段 adaptation，形成 0.9B 级跨 embodiment VLA。

这个想法可以拆成两层：第一层是工程接口，告诉模型当前数据或任务属于什么身体、什么控制空间；第二层是学习机制，让模型既能保留共享知识，又不把彼此冲突的动作语义硬塞进同一个通道。前者决定能不能训练，后者决定能不能迁移。

所以这一节是想说：X-VLA 的新意是把跨 embodiment 的混乱差异变成模型显式可处理的条件或结构。

它分几步做的（方法）

第 1 步：异构软提示

输入：输入是混合数据源 id 和当前 observation。模型为每个 source 学一组 soft prompt，把 embodiment-specific variation 提前注入主干。输出是更稳定的跨数据源表示。

处理：这一环的重点不是多加一个名字好听的模块，而是让模型知道“当前数据来自哪种身体、哪种任务、哪种动作接口”。如果不建模这些差异，VLA 会把不同机器人的动作语义混在一起，训练时看似数据更多，实际却更容易互相干扰。

输出：得到更稳定的跨 embodiment 表示或动作序列。用生活类比，这像给不同工具贴上清晰标签，再让同一个学徒学习工具背后的共同操作原则，而不是把所有工具混在一个箱子里盲摸。

第 2 步：编码流水线

输入：高维图像/语言走多模态 backbone，低维 proprioception 与 noisy action chunk 走 action stream，再通过 attention 融合。输出是适合 flow matching 的动作表示。

处理：这一环的重点不是多加一个名字好听的模块，而是让模型知道“当前数据来自哪种身体、哪种任务、哪种动作接口”。如果不建模这些差异，VLA 会把不同机器人的动作语义混在一起，训练时看似数据更多，实际却更容易互相干扰。

输出：得到更稳定的跨 embodiment 表示或动作序列。用生活类比，这像给不同工具贴上清晰标签，再让同一个学徒学习工具背后的共同操作原则，而不是把所有工具混在一个箱子里盲摸。

第 3 步：动作对齐

输入：将 action 标准化到 end-effector space，并通过 gripper BCE 等方式处理不同控制维度。输出是更可比较的动作监督。

处理：这一环的重点不是多加一个名字好听的模块，而是让模型知道“当前数据来自哪种身体、哪种任务、哪种动作接口”。如果不建模这些差异，VLA 会把不同机器人的动作语义混在一起，训练时看似数据更多，实际却更容易互相干扰。

输出：得到更稳定的跨 embodiment 表示或动作序列。用生活类比，这像给不同工具贴上清晰标签，再让同一个学徒学习工具背后的共同操作原则，而不是把所有工具混在一个箱子里盲摸。

第 4 步：意图抽象

输入：通过 temporal downsampling 从低层轨迹抽象 action intentions，减少直接预测全量轨迹带来的噪声。输出是更稳定的预训练目标。

处理：这一环的重点不是多加一个名字好听的模块，而是让模型知道“当前数据来自哪种身体、哪种任务、哪种动作接口”。如果不建模这些差异，VLA 会把不同机器人的动作语义混在一起，训练时看似数据更多，实际却更容易互相干扰。

输出：得到更稳定的跨 embodiment 表示或动作序列。用生活类比，这像给不同工具贴上清晰标签，再让同一个学徒学习工具背后的共同操作原则，而不是把所有工具混在一个箱子里盲摸。

第 5 步：两步 adaptation

输入：先适配 soft prompts 和 action head，再做 downstream finetuning；也支持 LoRA 形式 PEFT。输出是少量参数即可迁移的新 embodiment policy。

处理：这一环的重点不是多加一个名字好听的模块，而是让模型知道“当前数据来自哪种身体、哪种任务、哪种动作接口”。如果不建模这些差异，VLA 会把不同机器人的动作语义混在一起，训练时看似数据更多，实际却更容易互相干扰。

输出：得到更稳定的跨 embodiment 表示或动作序列。用生活类比，这像给不同工具贴上清晰标签，再让同一个学徒学习工具背后的共同操作原则，而不是把所有工具混在一个箱子里盲摸。

把这些步骤连起来看，方法并不是单纯追求更大的模型，而是在设计“差异该放在哪里”。有的差异适合放进 prompt，有的适合放进 graph，有的适合交给专家路由，有的适合用额外数据预热。真正读懂方法，就是能说清楚论文把哪类差异交给了哪个机制。

所以这一节是想说：方法部分要按差异建模来读，才能看懂 X-VLA 为什么不是普通 fine-tuning。

关键数字（What works）

事实	数字 / 状态	来源与证据边界
模型规模	X-VLA-0.9B	实验章节
异构数据	7 hardware setups across 5 robots	方法段落
soft prompt 参数占比	未共享参数约 0.04%	Appendix C
ablation 起点	baseline AD success 4.1；custom LR 39.6	Table 1
soft prompt 增益	64.6 -> 73.8；scaling up 到 89.6；two-step adaptation 到 95.8	Table 1
综合仿真	X-VLA 在 Simpler-WidowX 95.8、LIBERO avg 98.1、RoboTwin Easy/Hard 70.0/39.0	Table 2
Soft-Fold 数据	1,200 trajectories	Real-world section
布料折叠吞吐	nearly 100% success，33 completed folds per hour	Real-world section
PEFT 参数	9M tunable parameters，约 1% full model	PEFT section
少样本 LIBERO	50 demos 92.8%；10 demos 91.1%	Table 6 文字

这些数字都来自论文报告，不代表本站本地复现。本站完成的是公开来源研究、Markdown/HTML 构建、provenance 和部署验证；没有训练模型、跑仿真或执行真机。

所以这一节是想说：关键数字的作用是把方法和证据对应起来，而不是把作者报告冒充为本站实验。

实验结果说明了什么

X-VLA 的实验覆盖 6 个 simulation benchmark 和 3 个真实机器人平台。最关键的证据是 Table 1 的逐步消融：直接异构预训练会退化，但加入 action alignment、intention abstraction、encoding pipeline、soft prompt 和 scaling 后，预训练误差持续降低，下游 Simpler-WidowX success 提升到 95.8%。这说明 soft prompt 不是装饰，而是异构混训稳定性的关键接口。

读实验时不要只看最高平均分。跨 embodiment 论文最该看的，是设计组件的消融：去掉 soft prompt 会怎样，去掉 SCP 会怎样，去掉 MoE 会怎样。如果核心组件一去掉就明显退化，说明它确实在处理论文声称的差异；如果只是整体大模型变大，那结论就弱得多。

所以这一节是想说：实验结果支持 X-VLA 的主张，但证据边界仍限于论文报告的 benchmark 和设置。

你应该懂的几个新词

• Cross-embodiment：跨机器人身体。不是换个颜色，而是机器人结构、动作空间和传感器都可能不同。
• Soft prompt：可学习的提示向量。它不像自然语言 prompt 给人读，而是给模型读，用来编码数据源或任务差异。
• Mixture-of-Experts (MoE)：多个专家模块加路由器。输入来时只激活部分专家，让不同专家处理不同模式。
• Synthetic Continued Pretraining (SCP)：用合成数据继续预训练，让模型提前适应新 embodiment，而不是直接拿少量真数据硬微调。
• Graph-of-Thought：把任务推理写成图，而不是线性文本；适合表达并行、依赖和等待。
• Flow matching：一种连续动作生成训练方式，可以把噪声动作逐步推向真实动作分布。

所以这一节是想说：这些词都围绕同一个核心：怎么让模型明白不同身体和动作接口之间的差异。

它有什么搞不定的

• 候选数据源仍需要为每个 dataset 学 soft prompt，完全未知 embodiment 仍要 adaptation。
• 软提示能吸收部分身体差异，但不能替代物理约束、动力学和真实安全验证。
• Soft-Fold 等真实实验很亮眼，但数据和硬件仍有专门设计，不能直接外推到所有灵巧操作。
• 论文也记录了 adapter / routing 等失败尝试，说明跨 embodiment 不是简单加模块就能解决。

这些局限不是失败，而是具身 AI 的真实难度。跨 embodiment 一旦进入真实部署，就会遇到安全、校准、接触力、延迟、长程任务和硬件维护问题。论文解决的是建模和评测的一部分，不是整条机器人产品链。

所以这一节是想说：X-VLA 推进了跨 embodiment VLA，但离通用可靠机器人仍有工程和安全距离。

它和别的几篇是什么关系

• 它和 Universal Actions 都处理跨 embodiment，但 X-VLA 更关注 soft prompt 与预训练稳定性。
• 它和 Qwen-VLA 都追求统一 VLA，不过 X-VLA 规模更小、更强调 0.9B 模型的跨域适配。
• 它和 HiMoE-VLA 形成对照：一个用 soft prompts 吸收差异，一个用 hierarchical experts 分解差异。

第 2 批适合和第 1 批连读：第 1 批偏统一 VLA 与扩散式动作解码，第 2 批偏跨 embodiment 和异构数据。两批合起来，能看到 2025–2026 前沿 VLA 的两条主线：动作怎么生成，以及不同身体怎么共享同一套知识。

所以这一节是想说：X-VLA 是跨 embodiment 线上的一块拼图，最好和 X-VLA、ET-VLA、HiMoE-VLA、Qwen-VLA 互相对照。

和本导读的关系

本篇对应导读中的 Ch04: 技术版图、Ch12: VLA 和 Ch17: Sim-to-Real。读它之前，建议先理解 RT-1/RT-2 为什么要动作 token 化，OpenVLA 为什么是开源基线，以及 π0 为什么转向连续动作/flow matching。

对 40 篇扩展计划来说，X-VLA 属于第 2 批，负责补“跨 embodiment / 异构数据 / 多机器人迁移”这条线。

所以这一节是想说：这篇笔记把 VLA 从单机器人模型推进到跨身体、跨数据源、跨任务的工程问题。

思考题

Q1：这篇论文说的 embodiment 差异主要是哪一种？

提示

区分 action space、robot body、sensor setup、task dependency、reasoning data。

Q2：它解决的是预训练问题、适配问题，还是动作解码问题？

提示

看方法发生在数据混合、backbone、action head、fine-tuning 还是推理阶段。

Q3：关键数字中最能支撑论文主张的是哪一个？

提示

优先找和它的核心设计直接相关的消融，而不是只看最高成功率。

Q4：如果换一台完全不同的机器人，它还需要什么额外数据？

提示

注意 soft prompt、SCP、MoE routing 或 action projection 是否仍要适配。

Q5：它和 Qwen-VLA / OpenVLA / π0 的差异是什么？

提示

从统一任务、动作生成、跨 embodiment、数据引擎四个维度比较。

Q6：你会如何设计一个最小复现实验？

提示

选择最小 benchmark 和最清楚的 ablation，不要一开始就上真机。

一些好奇心问答（FAQ）

Q：跨 embodiment 是不是只要多喂数据就行？

不是。数据越多，冲突也可能越多。关键是模型要知道哪些差异该共享，哪些差异该隔离。

Q：这些方法能直接零样本换机器人吗？

多数不能。它们降低了适配成本，但通常仍需要 soft prompt、SCP、fine-tuning、LoRA 或少量目标机器人数据。

Q：为什么第 2 批大多还是 VLA 主题？

因为 2025–2026 的前沿很集中：大家都在把 VLA 从单一模型推向跨 embodiment generalist policy。

Q：这些成功率能不能直接写进简历？

可以写成阅读站收录和整理的论文报告数字，但不能写成自己复现实验结果。没有本地 artifact 就不能升级证据等级。

如果你想再深入

1. 先读 OpenVLA、π0、Qwen-VLA，建立 VLA 基础。
2. 再把 X-VLA、ET-VLA、HiMoE-VLA 放在一张表里比较：差异建模在哪里发生。
3. 复现时优先选小 benchmark 和最小 ablation，而不是直接上多机器人真机。
4. 读论文表格时，把最高分和消融分开记录，避免被平均分带偏。

原文信息

• arXiv: 2510.10274
• 本站状态：公开来源研究；未做本地训练、仿真或真机复现；human verification 仍应保持 UNVERIFIED，直到逐节人工核验完成。

@misc{x_vla_2025,
  title = {X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model},
  year = {2025},
  eprint = {2510.10274},
  archivePrefix = {arXiv},
  primaryClass = {cs.RO},
  note = {Read through Embodied AI: Zero to One},
  url = {https://arxiv.org/abs/2510.10274}
}

◼

@online{eai_x_vla_2026,
  title       = {(readable note) X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model},
  author      = {Xun, Jason},
  year        = {2026},
  note        = {Note on a 2025 paper},
  howpublished = {\url{https://estelledc.github.io/embodied-ai-reading-station/papers/x-vla/}},
  organization = {Embodied AI: Zero to One}
}