成功的通用型视觉-语言-动作（Vision-Language-Action, VLA）模型依赖于在多种机器人平台上的有效训练，并需利用大规模、跨体感（cross-embodiment）、异构的数据集。为促进并充分利用丰富多样的机器人数据源所固有的异构性，我们提出了一种新颖的软提示（Soft Prompt）方法，其仅引入极少量新增参数。该方法将提示学习（prompt learning）思想融入跨体感机器人学习中，并为每种不同的数据源分别引入可学习的嵌入（embeddings）集合。这些嵌入作为具有体感特异性的提示，协同作用，使VLA模型能够有效挖掘和利用不同体感之间的多样化特征。我们提出的新型X-VLA架构——一种基于流匹配（flow-matching）的VLA结构——完全依赖于软提示化的标准Transformer编码器，兼具可扩展性与简洁性。在6个仿真环境及3台真实机器人上的综合评估表明，我们所实现的0.9B参数规模的X-VLA-0.9B模型，在一系列基准测试中均达到当前最优（SOTA）性能，展现出在广泛能力维度上的卓越表现，涵盖灵活灵巧性、跨体感、跨环境与跨任务的快速适应能力等。