MetaStone-S1：反思式生成模型的训练与评测代码
32B 参数反思式生成模型 MetaStone-S1 的训练与评测代码库，提供 1.5B/7B/32B 三档模型权重。
MetaStone-S1 是一款反思式生成模型，仓库包含其训练与评测代码。其训练方法把长链思维强化学习与过程奖励学习统一为一种形式，过程奖励模型与策略模型共享主干网络，从而降低奖励模型的推理开销。模型提供 1.5B、7B、32B 三个规格，可在 Hugging Face 与 ModelScope 获取。README 给出在 AIME24/25、LiveCodeBench、C-EVAL 上与多款模型的对比数据，并说明评测流程：先启动奖励模型 API，再启动多个策略模型 API，对目标基准推理后计算 pass@1 指标，low/medium/high 模式分别取 N 为 2/8/32。仓库还提供单机与多机训练以及检查点转换为 Hugging Face 格式的说明。