Reexpress

公式

検索、ソフトウェア、データサイエンスのワークフローに類似性・距離・大きさの統計的検証を導入します。

GitHub

Reexpress MCPで何ができますか？

LLM応答を検証する — アシスタントに Reexpress ツールを使用して自身の回答を確認させ、統計的にロバストな信頼度推定値を返すよう依頼します。
モデルに正しい例を追加する — 検証後、ReexpressAddTrue を呼び出して、確認済みの正しい応答で推定器を動的に更新します。
モデルに誤った例を追加する — 検証後、ReexpressAddFalse を呼び出して誤った応答を登録し、今後のチェックでそれが考慮されるようにします。
検証用のファイルアクセスを制御する — ReexpressDirectorySet と ReexpressFileSet を使用して、基盤となるLLM APIに送信するローカルファイルを指定します。

ドキュメント

Reexpress Model-Context-Protocol (MCP) サーバー

ツール呼び出しLLM（例：Claude Opus 4.7）およびmacOS（Appleシリコン搭載のTahoe 26以降）またはLinux上で動作するMCPクライアント向け

ビデオ概要¹: こちら

Screenshot image of the rendered HTML output from the Reexpress tool.

Reexpress MCPサーバーは、複雑なLLMパイプラインや、ソフトウェア開発およびデータサイエンス環境での検索やQAにおけるLLMの日常的な使用に、最先端の統計的検証を追加するためのドロップインソリューションです。これは、AIワークフローに対する初の信頼性が高く、統計的に堅牢なAIセカンドオピニオンです。

MCPサーバーをインストールし、チャットテキストの最後にReexpressプロンプトを追加するだけです。ツール呼び出しLLM（例：AnthropicのLLMモデルClaude Opus 4.7）は、提供された事前学習済みのReexpress Similarity-Distance-Magnitude (SDM) 推定器を使用して自身の応答をチェックします。この推定器は、gpt-5.5-2026-04-23、gemini-3.1-pro-preview、gemini-embedding-2、およびツール呼び出しLLMからの出力をアンサンブルし、OpenVerification1データセットからのトレーニング例とキャリブレーション例のデータベースに対して予測の不確実性の堅牢な推定値を計算します。Reexpressメソッドの独自の点として、モデルをタスクに簡単に適応させることができます。検証が完了した後にReexpressAddTrueまたはReexpressAddFalseツールを呼び出すだけで、その後のReexpressツールの呼び出しでは、検証確率を計算する際に更新内容が動的に考慮されます。また、モデルのトレーニングスクリプトも含まれているため、より実質的な変更が必要な場合や、代替の基盤LLMを使用したい場合に、完全な再トレーニングを実行できます。

[!NOTE] 指示に対する出力の信頼度を原則に基づいて推定するだけでなく、ツール呼び出しLLM自体が検証出力を使用して、回答を段階的に改善したり、追加の外部リソースやツールが必要かどうかを判断したり、行き詰まりに達してさらなる明確化や情報を求める必要があるかどうかを判断したりできます。これが私たちがSDM検証による推論と呼ぶものであり、AIツールキットにおける全く新しい機能であり、個人と企業の両方にとって、LLMおよびLLMエージェントのユースケースをはるかに広げると考えています。

データは、Azure/OpenAIおよびGoogleへの標準的なLLM API呼び出しを介してのみ送信され、gemini-3.1-pro-preview呼び出しにはAPIを介した標準的なウェブ検索アクセスが与えられます。SDM推定器の処理はすべてお使いのコンピューター上でローカルに実行されます。Reexpress MCPは、シンプルで保守的でありながら効果的なファイルアクセスシステムを備えています。ファイルアクセスツールReexpressDirectorySet()およびReexpressFileSet()を介してファイルを明示的に指定することにより、どの追加ファイルをLLM APIに送信するかを制御できます。

バージョン2.4.0の新機能

モデルカードはこちらから入手できます。

バージョン2.4.0では、生成モデルとしてgpt-5.5-2026-04-23とgemini-3.1-pro-previewを使用します。2.3.0.previewと同様に、合意表現モデルとして、ローカルのgranite-3.3-8b-instructモデルがgemini-embedding-2に置き換えられました。これにより、数十億パラメーターのモデルをローカルで実行する必要がなくなり、サーバーの実行が大幅に簡素化されます。さらに、新しい例でOpenVerification1データセットも拡張しました。詳細については、モデルカードを参照してください。

その他の注意事項はchangelog.mdにあります。

システム要件

MCPサーバーはLinuxおよびmacOS上で動作します。主な要件は、MCPサーバーを実行するマシンが、300万パラメーターの小さなPyTorchモデルをローカルで実行できることです。そのため、計算要件は最小限です。（これは記載のとおりです。30億パラメーターではなく、わずか300万パラメーターです。モデルは、gemini-embedding-2と2つのAPI言語モデルの分類出力に対するSDM活性化で構成されています。）

インストール

INSTALL.mdを参照してください。

[!TIP] Reexpress MCPサーバーは、他のMCPサーバーと比較してセットアップが簡単ですが、LLM、MCP、およびコマンドラインツールにある程度精通していることを前提としています。対象読者は開発者とデータサイエンティストです。信頼できるソースからの他のMCPサーバーのみを追加し、他のMCPツールが予期しない方法でMCPサーバーの動作を変更する可能性があることに注意してください。

設定オプション

CONFIG.mdを参照してください。

使用方法

documentation/HOW_TO_USE.mdを参照してください。

ツール呼び出しからの出力を使用した静的HTMLの生成

documentation/OUTPUT_HTML.mdを参照してください。

ガイドライン

documentation/GUIDELINES.mdを参照してください。

よくある質問

documentation/FAQ.mdを参照してください。

トレーニングデータとキャリブレーションデータ

documentation/DATA.mdを参照してください。

OpenVerification1での評価

documentation/EVAL.mdを参照してください。

システムデモンストレーション論文

システムデモンストレーション論文「Introspectable, Updatable, and Uncertainty-aware Classification of Language Model Instruction-following」のコピーはこちらに含まれており、特にReexpress MCPサーバーのバージョン2.1.0に焦点を当てています。分析を再現するためのサポートスクリプトはこちらに含まれています。

システムデモンストレーション論文以降の変更点を強調したバージョン2.4.0のモデルカードは、こちらから入手できます。

CAIS 2026 system demonstration poster.

引用

このソフトウェアが有用であると思われた場合は、以下の査読済み論文の引用をご検討ください。

@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}
}

The 出力形式は、ビデオで使用されているv1.0.0から変更されました。changelog.mdを参照してください。 ↩