MetaStone-S1 - MetaStone Technology社が発表した、反射型生成大規模モデル

MetaStone-S1とは何ですか？

MetaStone-S1は、MetaStone Technologyが開発した、自己選択推論チェーン機能を備えた大規模な反射型生成モデルです。このモデルは、深層推論と自己選択推論チェーン機能を初めて統合したものです。モデルの中核は、共通のバックボーンを持つポリシーモデルとプロセススコアリングモデル（SPRM）に基づく自己教師あり反射型パラダイムを採用しています。わずか5300万個の追加パラメータで、手動による注釈付けを必要とせず、推論ステップの品質をリアルタイムで評価できます。このモデルは、Long-CoT強化学習をサポートし、超長大な推論チェーンを生成するとともに、数学（AIME）、コーディング（LiveCodeBench）、中国語推論（C-EVAL）タスクにおいて、類似モデルを凌駕する性能を発揮します。バージョン1.5B、7B、32がオープンソースとして公開されており、低い推論コストで高いパフォーマンスを実現し、推論インテリジェンスを「自己修正」という新たな段階へと押し上げています。

MetaStone-S1の主な機能

• 深層推論生成機能MetaStone-S1は、非常に長くて複雑な推論連鎖（Long-CoT）を生成できるため、数学的証明やプログラミングアルゴリズムといった、難易度の高い推論タスクの解決に特に適しています。
• インテリジェントな推論チェーンの最適化このモデルは、自己教師ありプロセススコアリングメカニズム（SPRM）を組み込んでおり、推論プロセスにおける誤ったステップを自動的に識別して排除することで、最終的な回答の精度を大幅に向上させます。
• 多段階推論モードさまざまなシナリオにおける推論ニーズに対応するため、低（高速応答）、中（精度と速度のバランス）、高（深い思考）の3つの動作モードを提供します。
• オープンソースの拡張性本プラットフォームは、1.5B、7B、32Bの3つのサイズの完全オープンソースモデルと、開発者が特定の分野におけるモデルの推論機能をさらに最適化できるサポートツールを提供します。

MetaStone-S1の技術的原理

• デュアルヘッド共有アーキテクチャポリシーモデルとプロセススコアリングモデル（SPRM）間の共有バックボーンネットワークの設計に基づき、トランスフォーマー層には生成ヘッドとスコアリングヘッドが並列に配置されます。前者は推論チェーンの生成を担当し、後者は自己教師あり学習に基づいて各推論ステップをリアルタイムでスコアリングします。
• 自己モニタリングプロセスに対する報酬我々は、最終回答の正しさを弱い教師信号として使用し、ノイズフィルタリングメカニズムに基づいてステップレベルの擬似ラベルを自動的に生成してプロセススコアリングモデルをトレーニングし、手動アノテーションへの依存を排除するSPR損失（自己教師ありプロセス報酬損失）アルゴリズムを提案する。
• 最適な選択のための動的推論推論フェーズでは、テスト時間スケーリング技術が使用されます。まず、複数の候補推論チェーンが生成され（例えば、高モードでは32チェーンが生成されます）、SPRMを使用してパスの合計スコアが計算され、最後に最適なパスが選択されて生成が継続され、「生成-評価-選択」の閉ループが形成されます。
• 共同最適化メカニズムGRPO強化学習アルゴリズムに基づき、ポリシーモデルとSPRMは同時に最適化される。ポリシーモデルは回答精度を最大化し、SPRMは対照学習を用いて高品質な推論ステップと低品質な推論ステップを区別する。両者は勾配を共有し、共進化する。
• 新たな能力の規制デザイン思考の長さとモデルパフォーマンスのスケーリング法則は、ロールアウトの数を調整することで計算負荷（パラメータ数×思考トークン数）を制御し、迅速な応答（低）から深い思考（高）へのスムーズな移行を実現します。

Metastone-S1プロジェクトのアドレス

• GitHubリポジトリ：https://github.com/MetaStone-AI/MetaStone-S1
• ハギングフェイスモデルライブラリ：https://huggingface.co/MetaStoneTec
• arXiv技術論文：https://arxiv.org/pdf/2507.00195

MetaStone-S1の応用事例

• 教育的知能「AIチューター」として、数学や物理のコンテスト問題に正確に解答し、解答過程をインタラクティブに解説する。
• 法務情報分野当社は、契約条項間の論理的な関係性を詳細に分析し、潜在的な法的リスクを正確に特定し、法的論理に沿った修正案を提供します。
• インテリジェント製造分野多段階の因果推論に基づいて、産業機器の故障の根本原因を迅速に特定し、最適な保守計画を作成し、生産効率を大幅に向上させることができます。
• 学術論文分野これは、科学研究論文における数式の導出や理論の検証を支援し、学術内容の論理的な厳密性を保証する。