具身智能赛道再迎关键进展。清华大学孵化的星动纪元提出一种全新的训练思路，将视频预测与动作学习从传统的联合优化中拆解开来，转而采用分阶段训练策略，使两者在时间轴上重新排序、各司其职。

该方案的核心并非将视频与动作数据混合训练，而是强调「解耦」——先让模型完成视频预测能力的积累，再推进动作学习，从而避免两类信号在同一阶段相互干扰。这一路线不依赖外挂模块，也不需要额外数据注入。

凭借这一方法，星动纪元的具身模型在全球评测中登顶第一，成绩超过GPT-6以及英伟达的相关方案。对于长期受困于数据效率与泛化能力的具身智能领域而言，这一结果提供了不同于堆数据、堆模块的技术路径。

从行业视角看，分阶段训练能否在更复杂的真实场景中保持优势，仍有待进一步验证。但此次登顶至少说明，训练范式的重新设计，正在成为具身模型突破性能天花板的一条可行方向。