Reexpress

Servidor Reexpress Model-Context-Protocol (MCP)

Para LLMs con llamada a herramientas (ej., Claude Opus 4.7) y clientes MCP ejecutándose en macOS (Tahoe 26 o posterior en Apple silicon) o Linux

Resumen en video¹: Aquí

Reexpress MCP Server es una solución inmediata para agregar verificación estadística de última generación a sus flujos de trabajo complejos con LLMs, así como a su uso diario de LLMs para búsqueda y QA en entornos de desarrollo de software y ciencia de datos. Es la primera segunda opinión de IA confiable y estadísticamente robusta para sus flujos de trabajo de IA.

Simplemente instale el servidor MCP y luego agregue el prompt de Reexpress al final de su texto de chat. El LLM con llamada a herramientas (ej., el modelo de LLM de Anthropic Claude Opus 4.7) verificará su respuesta con el estimador de Similitud-Distancia-Magnitud (SDM) preentrenado de Reexpress, que combina gpt-5.5-2026-04-23, gemini-3.1-pro-preview y gemini-embedding-2, junto con la salida del LLM con llamada a herramientas, y calcula una estimación robusta de la incertidumbre predictiva contra una base de datos de ejemplos de entrenamiento y calibración del conjunto de datos OpenVerification1. Exclusivo del método Reexpress, puede adaptar fácilmente el modelo a sus tareas: Simplemente llame a las herramientas ReexpressAddTrue o ReexpressAddFalse después de que se haya completado una verificación, y luego las futuras llamadas a la herramienta Reexpress tomarán dinámicamente en cuenta sus actualizaciones al calcular la probabilidad de verificación. También incluimos los scripts de entrenamiento para el modelo, para que pueda ejecutar un reentrenamiento completo cuando se necesiten cambios más sustanciales, o si desea utilizar LLMs subyacentes alternativos.

[!NOTE] Además de proporcionarle a usted (el usuario) una estimación fundamentada de la confianza en la salida dadas sus instrucciones, el propio LLM con llamada a herramientas puede usar la salida de verificación para refinar progresivamente su respuesta, determinar si necesita recursos o herramientas externas adicionales, o si ha llegado a un punto muerto y necesita pedirle más aclaraciones o información. Eso es lo que llamamos razonamiento con verificación SDM --- una capacidad completamente nueva en el conjunto de herramientas de IA que creemos que abrirá una gama mucho más amplia de casos de uso para LLMs y agentes de LLM, tanto para individuos como para empresas.

Los datos solo se envían a través de llamadas API de LLM estándar a Azure/OpenAI y Google, con las llamadas a gemini-3.1-pro-preview teniendo acceso de búsqueda web estándar a través de la API; todo el procesamiento para el estimador SDM se realiza localmente en su computadora. Reexpress MCP tiene un sistema de acceso a archivos simple y conservador, pero efectivo: Usted controla qué archivos adicionales (si los hay) se envían a las API de LLM especificando explícitamente los archivos a través de las herramientas de acceso a archivos ReexpressDirectorySet() y ReexpressFileSet().

Novedades en la versión 2.4.0

La tarjeta de modelo está disponible aquí.

La versión 2.4.0 utiliza gpt-5.5-2026-04-23 y gemini-3.1-pro-preview como modelos generativos. Al igual que con 2.3.0.preview, gemini-embedding-2 reemplaza al modelo local granite-3.3-8b-instruct como modelo de representación de acuerdo. Esto simplifica enormemente la ejecución del Servidor, ya que ya no necesita ejecutar localmente un modelo de múltiples miles de millones de parámetros. Además, también hemos ampliado el conjunto de datos OpenVerification1 con nuevos ejemplos. Consulte la tarjeta de modelo para más detalles.

Notas adicionales en changelog.md.

Requisitos del Sistema

El servidor MCP se ejecuta en Linux y macOS. El requisito principal es que la máquina que ejecuta el servidor MCP pueda ejecutar localmente un pequeño modelo PyTorch de 3 millones de parámetros, por lo que los requisitos de cómputo son mínimos. (Tal como está escrito: Solo 3 millones de parámetros; no 3 mil millones de parámetros. El modelo consiste en una activación SDM sobre gemini-embedding-2 y la salida de clasificación de los dos modelos de lenguaje de la API.)

Instalación

Consulte INSTALL.md.

[!TIP] El servidor Reexpress MCP es sencillo de configurar en comparación con otros servidores MCP, pero asumimos cierta familiaridad con LLMs, MCP y herramientas de línea de comandos. Nuestro público objetivo son desarrolladores y científicos de datos. Solo agregue otros servidores MCP de fuentes en las que confíe, y tenga en cuenta que otras herramientas MCP podrían alterar el comportamiento de nuestro servidor MCP de maneras inesperadas.

Opciones de configuración

Consulte CONFIG.md.

Cómo Usar

Consulte documentation/HOW_TO_USE.md.

Generando HTML estático con la salida de la llamada a la herramienta

Consulte documentation/OUTPUT_HTML.md.

Directrices

Consulte documentation/GUIDELINES.md.

Preguntas Frecuentes

Consulte documentation/FAQ.md.

Datos de Entrenamiento y Calibración

Consulte documentation/DATA.md.

Evaluación sobre OpenVerification1

Consulte documentation/EVAL.md.

Artículo de Demostración del Sistema

Se incluye una copia de nuestro artículo de demostración del sistema "Introspectable, Updatable, and Uncertainty-aware Classification of Language Model Instruction-following", que se centra en particular en la versión 2.1.0 del Servidor Reexpress MCP, aquí. Los scripts de soporte para replicar el análisis se incluyen aquí.

La tarjeta de modelo para la versión 2.4.0, que destaca los cambios desde el artículo de demostración del sistema, está disponible aquí.

Citación

Si encuentra útil este software, considere citar los siguientes artículos revisados por pares:

@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 el formato de salida ha cambiado desde la v1.0.0 utilizada en el video. Consulte changelog.md. ↩