Reexpress

Reexpress मॉडल-संदर्भ-प्रोटोकॉल (MCP) सर्वर

टूल-कॉलिंग LLM (जैसे, Claude Opus 4.7) और macOS (Apple silicon पर Tahoe 26 या बाद का संस्करण) या Linux पर चलने वाले MCP क्लाइंट के लिए

वीडियो अवलोकन¹: यहाँ

Reexpress MCP सर्वर आपके जटिल LLM पाइपलाइनों के साथ-साथ सॉफ़्टवेयर विकास और डेटा विज्ञान सेटिंग्स के लिए खोज और QA हेतु LLM के आपके रोज़मर्रा के उपयोग में अत्याधुनिक सांख्यिकीय सत्यापन जोड़ने का एक सीधा समाधान है। यह आपके AI वर्कफ़्लो के लिए पहला विश्वसनीय, सांख्यिकीय रूप से मज़बूत AI दूसरी राय है।

बस MCP सर्वर स्थापित करें और फिर अपने चैट टेक्स्ट के अंत में Reexpress प्रॉम्प्ट जोड़ें। टूल-कॉलिंग LLM (जैसे, Anthropic का LLM मॉडल Claude Opus 4.7) फिर प्रदान किए गए पूर्व-प्रशिक्षित Reexpress समानता-दूरी-परिमाण (SDM) अनुमानक के साथ अपनी प्रतिक्रिया की जाँच करेगा, जो gpt-5.5-2026-04-23, gemini-3.1-pro-preview, और gemini-embedding-2, साथ ही टूल-कॉलिंग LLM के आउटपुट को एकत्रित करता है, और OpenVerification1 डेटासेट से प्रशिक्षण और अंशांकन उदाहरणों के डेटाबेस के विरुद्ध पूर्वानुमानित अनिश्चितता का एक मज़बूत अनुमान लगाता है। Reexpress विधि की अनूठी विशेषता यह है कि आप मॉडल को आसानी से अपने कार्यों के अनुकूल बना सकते हैं: सत्यापन पूरा होने के बाद बस ReexpressAddTrue या ReexpressAddFalse टूल को कॉल करें, और फिर Reexpress टूल के भविष्य के कॉल सत्यापन संभावना की गणना करते समय आपके अपडेट को गतिशील रूप से ध्यान में रखेंगे। हम मॉडल के लिए प्रशिक्षण स्क्रिप्ट भी शामिल करते हैं, ताकि जब अधिक ठोस बदलावों की आवश्यकता हो, या आप वैकल्पिक अंतर्निहित LLM का उपयोग करना चाहें, तो आप पूर्ण पुनर्प्रशिक्षण चला सकें।

[!NOTE] आपको (उपयोगकर्ता को) आपके निर्देशों को देखते हुए आउटपुट में विश्वास का एक सैद्धांतिक अनुमान प्रदान करने के अलावा, टूल-कॉलिंग LLM स्वयं सत्यापन आउटपुट का उपयोग अपने उत्तर को उत्तरोत्तर परिष्कृत करने, यह निर्धारित करने के लिए कर सकता है कि क्या उसे अतिरिक्त बाहरी संसाधनों या उपकरणों की आवश्यकता है, या क्या वह एक गतिरोध पर पहुँच गया है और उसे आपसे और स्पष्टीकरण या जानकारी माँगने की आवश्यकता है। इसे हम SDM सत्यापन के साथ तर्क कहते हैं --- AI टूलकिट में एक पूरी तरह से नई क्षमता जो हमें लगता है कि व्यक्तियों और उद्यमों दोनों के लिए LLM और LLM एजेंटों के उपयोग के मामलों की एक बहुत व्यापक श्रृंखला खोलेगी।

डेटा केवल मानक LLM API कॉल के माध्यम से Azure/OpenAI और Google को भेजा जाता है, जिसमें gemini-3.1-pro-preview कॉल को API के माध्यम से मानक वेब खोज पहुँच दी जाती है; SDM अनुमानक के लिए सभी प्रसंस्करण स्थानीय रूप से आपके कंप्यूटर पर किया जाता है। Reexpress MCP में एक सरल और रूढ़िवादी, लेकिन प्रभावी, फ़ाइल एक्सेस सिस्टम है: आप नियंत्रित करते हैं कि कौन सी अतिरिक्त फ़ाइलें (यदि कोई हों) फ़ाइल-एक्सेस टूल ReexpressDirectorySet() और ReexpressFileSet() के माध्यम से स्पष्ट रूप से फ़ाइलें निर्दिष्ट करके LLM API को भेजी जाती हैं।

संस्करण 2.4.0 में नया क्या है

मॉडल कार्ड यहाँ उपलब्ध है।

संस्करण 2.4.0 जनरेटिव मॉडल के रूप में gpt-5.5-2026-04-23 और gemini-3.1-pro-preview का उपयोग करता है। 2.3.0.preview की तरह, gemini-embedding-2 सहमति प्रतिनिधित्व मॉडल के रूप में स्थानीय granite-3.3-8b-instruct मॉडल की जगह लेता है। यह सर्वर चलाने को बहुत सरल बनाता है, क्योंकि अब आपको स्थानीय रूप से बहु-अरब पैरामीटर मॉडल चलाने की आवश्यकता नहीं है। इसके अतिरिक्त, हमने नए उदाहरणों के साथ OpenVerification1 डेटासेट का विस्तार भी किया है। विवरण के लिए मॉडल कार्ड देखें।

changelog.md में अतिरिक्त नोट्स।

सिस्टम आवश्यकताएँ

MCP सर्वर Linux और macOS पर चलता है। प्राथमिक आवश्यकता यह है कि MCP सर्वर चलाने वाली मशीन को स्थानीय रूप से एक छोटा 3 मिलियन पैरामीटर वाला PyTorch मॉडल चलाने में सक्षम होना चाहिए, इसलिए गणना आवश्यकताएँ न्यूनतम हैं। (यह लिखित रूप में है: केवल 3 मिलियन पैरामीटर; 3 अरब पैरामीटर नहीं। मॉडल में gemini-embedding-2 और दो API भाषा मॉडलों के वर्गीकरण आउटपुट पर एक SDM सक्रियण शामिल है।)

स्थापना

INSTALL.md देखें।

[!TIP] Reexpress MCP सर्वर अन्य MCP सर्वरों की तुलना में सेटअप करना सीधा है, लेकिन हम LLM, MCP और कमांड-लाइन टूल से कुछ परिचितता मानते हैं। हमारे लक्षित दर्शक डेवलपर और डेटा वैज्ञानिक हैं। केवल उन्हीं स्रोतों से अन्य MCP सर्वर जोड़ें जिन पर आप भरोसा करते हैं, और ध्यान रखें कि अन्य MCP उपकरण हमारे MCP सर्वर के व्यवहार को अप्रत्याशित तरीकों से बदल सकते हैं।

कॉन्फ़िगरेशन विकल्प

CONFIG.md देखें।

उपयोग कैसे करें

documentation/HOW_TO_USE.md देखें।

टूल कॉल से आउटपुट के साथ स्थैतिक HTML जनरेट करना

documentation/OUTPUT_HTML.md देखें।

दिशानिर्देश

documentation/GUIDELINES.md देखें।

सामान्य प्रश्न

documentation/FAQ.md देखें।

प्रशिक्षण और अंशांकन डेटा

documentation/DATA.md देखें।

OpenVerification1 पर मूल्यांकन

documentation/EVAL.md देखें।

सिस्टम प्रदर्शन पेपर

हमारे सिस्टम प्रदर्शन पेपर "Introspectable, Updatable, and Uncertainty-aware Classification of Language Model Instruction-following" की एक प्रति, जो विशेष रूप से Reexpress MCP सर्वर के संस्करण 2.1.0 पर केंद्रित है, यहाँ शामिल है। विश्लेषण को दोहराने के लिए समर्थन स्क्रिप्ट यहाँ शामिल हैं।

संस्करण 2.4.0 के लिए मॉडल कार्ड, जो सिस्टम प्रदर्शन पेपर के बाद से हुए बदलावों पर प्रकाश डालता है, यहाँ उपलब्ध है।

उद्धरण

यदि आपको यह सॉफ़्टवेयर उपयोगी लगे, तो निम्नलिखित सहकर्मी-समीक्षित पेपरों का हवाला देने पर विचार करें:

@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 आउटपुट प्रारूप वीडियो में उपयोग किए गए v1.0.0 के बाद से बदल गया है। changelog.md देखें। ↩