Reexpress

Reexpress Model-Context-Protocol (MCP) Server

Für Tool-aufrufende LLMs (z. B. Claude Opus 4.7) und MCP-Clients unter macOS (Tahoe 26 oder neuer auf Apple Silicon) oder Linux

Video-Übersicht¹: Hier

Der Reexpress MCP Server ist eine sofort einsetzbare Lösung, um modernste statistische Verifikation zu Ihren komplexen LLM-Pipelines sowie zur alltäglichen Nutzung von LLMs für Suche und QA in Softwareentwicklungs- und Data-Science-Umgebungen hinzuzufügen. Es ist die erste zuverlässige, statistisch robuste KI-Zweitmeinung für Ihre KI-Workflows.

Installieren Sie einfach den MCP-Server und fügen Sie dann den Reexpress-Prompt am Ende Ihres Chat-Textes hinzu. Das Tool-aufrufende LLM (z. B. Anthropics LLM-Modell Claude Opus 4.7) überprüft dann seine Antwort mit dem bereitgestellten, vortrainierten Reexpress Similarity-Distance-Magnitude (SDM)-Schätzer, der gpt-5.5-2026-04-23, gemini-3.1-pro-preview und gemini-embedding-2 zusammen mit der Ausgabe des Tool-aufrufenden LLMs kombiniert und eine robuste Schätzung der Vorhersageunsicherheit anhand einer Datenbank mit Trainings- und Kalibrierungsbeispielen aus dem OpenVerification1-Datensatz berechnet. Einzigartig an der Reexpress-Methode ist, dass Sie das Modell einfach an Ihre Aufgaben anpassen können: Rufen Sie einfach die Tools ReexpressAddTrue oder ReexpressAddFalse auf, nachdem eine Verifikation abgeschlossen ist, und zukünftige Aufrufe des Reexpress-Tools werden Ihre Aktualisierungen bei der Berechnung der Verifikationswahrscheinlichkeit dynamisch berücksichtigen. Wir stellen auch die Trainingsskripte für das Modell zur Verfügung, sodass Sie ein vollständiges Neutraining durchführen können, wenn substanziellere Änderungen erforderlich sind oder Sie alternative zugrunde liegende LLMs verwenden möchten.

[!NOTE] Zusätzlich zur Bereitstellung einer prinzipiellen Schätzung des Vertrauens in die Ausgabe gemäß Ihren Anweisungen kann das Tool-aufrufende LLM selbst die Verifikationsausgabe nutzen, um seine Antwort schrittweise zu verfeinern, festzustellen, ob es zusätzliche externe Ressourcen oder Tools benötigt, oder ob es in eine Sackgasse geraten ist und Sie um weitere Klärung oder Informationen bitten muss. Das nennen wir Reasoning mit SDM-Verifikation – eine völlig neue Fähigkeit im KI-Werkzeugkasten, die unserer Meinung nach ein viel breiteres Spektrum an Anwendungsfällen für LLMs und LLM-Agenten eröffnen wird, sowohl für Einzelpersonen als auch für Unternehmen.

Daten werden nur über standardmäßige LLM-API-Aufrufe an Azure/OpenAI und Google gesendet, wobei die gemini-3.1-pro-preview-Aufrufe über die API standardmäßigen Web-Suchzugriff erhalten; die gesamte Verarbeitung für den SDM-Schätzer erfolgt lokal auf Ihrem Computer. Reexpress MCP verfügt über ein einfaches und konservatives, aber effektives Dateizugriffssystem: Sie steuern, welche zusätzlichen Dateien (falls vorhanden) an die LLM-APIs gesendet werden, indem Sie Dateien explizit über die Dateizugriffstools ReexpressDirectorySet() und ReexpressFileSet() angeben.

Neu in Version 2.4.0

Die Modellkarte ist hier verfügbar.

Version 2.4.0 verwendet gpt-5.5-2026-04-23 und gemini-3.1-pro-preview als generative Modelle. Wie bei 2.3.0.preview ersetzt gemini-embedding-2 das lokale granite-3.3-8b-instruct-Modell als Übereinstimmungsrepräsentationsmodell. Dies vereinfacht den Betrieb des Servers erheblich, da Sie kein Modell mit mehreren Milliarden Parametern mehr lokal ausführen müssen. Darüber hinaus haben wir den OpenVerification1-Datensatz um neue Beispiele erweitert. Details finden Sie in der Modellkarte.

Weitere Hinweise in changelog.md.

Systemanforderungen

Der MCP-Server läuft unter Linux und macOS. Die Hauptanforderung ist, dass der Rechner, auf dem der MCP-Server läuft, ein kleines PyTorch-Modell mit 3 Millionen Parametern lokal ausführen kann, sodass die Rechenanforderungen minimal sind. (Das ist wie geschrieben: Nur 3 Millionen Parameter; nicht 3 Milliarden Parameter. Das Modell besteht aus einer SDM-Aktivierung über gemini-embedding-2 und der Klassifikationsausgabe der beiden API-Sprachmodelle.)

Installation

Siehe INSTALL.md.

[!TIP] Der Reexpress MCP-Server ist im Vergleich zu anderen MCP-Servern unkompliziert einzurichten, aber wir setzen eine gewisse Vertrautheit mit LLMs, MCP und Kommandozeilenwerkzeugen voraus. Unsere Zielgruppe sind Entwickler und Data Scientists. Fügen Sie nur andere MCP-Server aus vertrauenswürdigen Quellen hinzu und bedenken Sie, dass andere MCP-Tools das Verhalten unseres MCP-Servers auf unerwartete Weise verändern könnten.

Konfigurationsoptionen

Siehe CONFIG.md.

Verwendung

Siehe documentation/HOW_TO_USE.md.

Generierung von statischem HTML mit der Ausgabe des Tool-Aufrufs

Siehe documentation/OUTPUT_HTML.md.

Richtlinien

Siehe documentation/GUIDELINES.md.

FAQ

Siehe documentation/FAQ.md.

Trainings- und Kalibrierungsdaten

Siehe documentation/DATA.md.

Evaluierung mit OpenVerification1

Siehe documentation/EVAL.md.

Systemdemonstrationspapier

Eine Kopie unseres Systemdemonstrationspapiers „Introspectable, Updatable, and Uncertainty-aware Classification of Language Model Instruction-following“, das sich insbesondere auf Version 2.1.0 des Reexpress MCP Servers konzentriert, ist hier enthalten. Die Unterstützungsskripte zur Replikation der Analyse sind hier enthalten.

Die Modellkarte für Version 2.4.0, die die Änderungen seit dem Systemdemonstrationspapier hervorhebt, ist hier verfügbar.

Zitierung

Wenn Sie diese Software nützlich finden, ziehen Sie bitte die Zitierung der folgenden peer-reviewten Arbeiten in Betracht:

@inproceedings{Schmaltz-2026-SimilarityDistanceMagnitudeActivations,
    title = "Similarity-Distance-Magnitude Activations",
    author = "Schmaltz, Allen",
    editor = "Liakata, Maria  and
      Moreira, Viviane P.  and
      Zhang, Jiajun  and
      Jurgens, David",
    booktitle = "Findings of the {A}ssociation for {C}omputational {L}inguistics: {ACL} 2026",
    month = jul,
    year = "2026",
    address = "San Diego, California, United States",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2026.findings-acl.1109/",
    doi = "10.18653/v1/2026.findings-acl.1109",
    pages = "22037--22057",
    ISBN = "979-8-89176-395-1",
    abstract = "We introduce the Similarity-Distance-Magnitude (SDM) activation function, a more robust and interpretable formulation of the standard softmax activation function, adding Similarity (i.e., correctly predicted depth-matches into training) awareness and Distance-to-training-distribution awareness to the existing output Magnitude (i.e., decision-boundary) awareness, and enabling interpretability-by-exemplar via dense matching. We further introduce the SDM estimator, based on a data-driven partitioning of the class-wise empirical CDFs via the SDM activation, to control the class- and prediction-conditional accuracy among selective classifications. When used as the final-layer activation over pre-trained language models for selective classification, the SDM estimator is more robust to covariate shifts and out-of-distribution inputs than existing calibration methods using softmax activations, while remaining informative over in-distribution data."
}

@inproceedings{Schmaltz-2026-ReexpressMCPServer,
    author = {Schmaltz, Allen},
    title = {Introspectable, Updatable, and Uncertainty-aware Classification of Language Model Instruction-following},
    year = {2026},
    isbn = {9798400724152},
    publisher = {Association for Computing Machinery},
    address = {New York, NY, USA},
    url = {https://doi.org/10.1145/3786335.3813214},
    doi = {10.1145/3786335.3813214},
    abstract = {In this system demonstration paper, we introduce an open-source implementation for training and testing Similarity-Distance-Magnitude (SDM) estimators for the task of binary classification of instruction-following of closed-weight language models (LMs). This SDM estimator provides an approximately conditional estimate of the predictive uncertainty over instruction-following, conditional on multiple closed-weight LMs and the representation space of an open-weight model. While it would be more robust to use as input to the SDM estimator the hidden-states of the underlying models, this indirect, compositional proxy is more reliable than verbalized uncertainty and adds a means of auditing the predictions against data with known labels. We release the code as an MCP Server to simplify adding interpretability-by-exemplar and locally updatable, uncertainty-aware instruction-following to agent-based pipelines. We further release OpenVerification1, a balanced set of over two million examples of instruction-following and associated rationales from recent closed-weight LMs, for bootstrapping domain-specific estimators. Finally, we discuss limitations of estimating the predictive uncertainty without access to the hidden-states of the tool-calling LM and provide practical guidance for applications.},
    booktitle = {Proceedings of the ACM Conference on AI and Agentic Systems},
    pages = {1259–1269},
    numpages = {11},
    keywords = {Approximately conditional calibration, Interpretability-by-exemplar, Classification of instruction-following, Model ensembles},
    location = {
    },
    series = {CAIS '26}
}

Footnotes

1. The Ausgabeformat hat sich seit der im Video verwendeten Version v1.0.0 geändert. Siehe changelog.md. ↩