Reexpress

Servidor Reexpress Model-Context-Protocol (MCP)

Para LLMs com chamada de ferramentas (ex.: Claude Opus 4.7) e clientes MCP rodando em macOS (Tahoe 26 ou posterior em Apple silicon) ou Linux

Visão geral em vídeo¹: Aqui

O Servidor Reexpress MCP é uma solução pronta para uso que adiciona verificação estatística de última geração aos seus pipelines complexos de LLM, bem como ao uso diário de LLMs para busca e QA em ambientes de desenvolvimento de software e ciência de dados. É a primeira segunda opinião de IA confiável e estatisticamente robusta para seus fluxos de trabalho de IA.

Basta instalar o servidor MCP e adicionar o prompt Reexpress ao final do texto do seu chat. O LLM com chamada de ferramentas (ex.: o modelo de LLM da Anthropic, Claude Opus 4.7) verificará então sua resposta com o estimador de Similaridade-Distância-Magnitude (SDM) pré-treinado fornecido pela Reexpress, que combina gpt-5.5-2026-04-23, gemini-3.1-pro-preview e gemini-embedding-2, juntamente com a saída do LLM com chamada de ferramentas, e calcula uma estimativa robusta da incerteza preditiva em relação a um banco de dados de exemplos de treinamento e calibração do conjunto de dados OpenVerification1. Exclusivo do método Reexpress, você pode adaptar facilmente o modelo às suas tarefas: Basta chamar as ferramentas ReexpressAddTrue ou ReexpressAddFalse após a conclusão de uma verificação, e as chamadas futuras à ferramenta Reexpress levarão dinamicamente suas atualizações em consideração ao calcular a probabilidade de verificação. Também incluímos os scripts de treinamento para o modelo, para que você possa executar um retreinamento completo quando forem necessárias mudanças mais substanciais ou se quiser usar LLMs subjacentes alternativos.

[!NOTE] Além de fornecer a você (o usuário) uma estimativa fundamentada de confiança na saída dadas as suas instruções, o próprio LLM com chamada de ferramentas pode usar a saída da verificação para refinar progressivamente sua resposta, determinar se precisa de recursos ou ferramentas externas adicionais, ou se chegou a um impasse e precisa pedir mais esclarecimentos ou informações. É o que chamamos de raciocínio com verificação SDM --- uma capacidade totalmente nova no kit de ferramentas de IA que acreditamos que abrirá uma gama muito mais ampla de casos de uso para LLMs e agentes de LLM, tanto para indivíduos quanto para empresas.

Os dados são enviados apenas por meio de chamadas de API de LLM padrão para Azure/OpenAI e Google, com as chamadas gemini-3.1-pro-preview recebendo acesso de busca na web padrão através da API; todo o processamento para o estimador SDM é feito localmente no seu computador. O Reexpress MCP possui um sistema de acesso a arquivos simples, conservador, mas eficaz: Você controla quais arquivos adicionais (se houver) são enviados para as APIs de LLM, especificando explicitamente os arquivos por meio das ferramentas de acesso a arquivos ReexpressDirectorySet() e ReexpressFileSet().

Novidades na versão 2.4.0

O cartão de modelo está disponível aqui.

A versão 2.4.0 usa gpt-5.5-2026-04-23 e gemini-3.1-pro-preview como modelos generativos. Assim como na 2.3.0.preview, o gemini-embedding-2 substitui o modelo local granite-3.3-8b-instruct como modelo de representação de concordância. Isso simplifica muito a execução do Servidor, já que você não precisa mais executar localmente um modelo de múltiplos bilhões de parâmetros. Além disso, também expandimos o conjunto de dados OpenVerification1 com novos exemplos. Consulte o cartão de modelo para obter detalhes.

Notas adicionais em changelog.md.

Requisitos do Sistema

O servidor MCP roda em Linux e macOS. O requisito principal é que a máquina que executa o servidor MCP precise ser capaz de rodar localmente um pequeno modelo PyTorch de 3 milhões de parâmetros, portanto, os requisitos computacionais são mínimos. (Está escrito corretamente: Apenas 3 milhões de parâmetros; não 3 bilhões de parâmetros. O modelo consiste em uma ativação SDM sobre o gemini-embedding-2 e a saída de classificação dos dois modelos de linguagem da API.)

Instalação

Consulte INSTALL.md.

[!TIP] O servidor Reexpress MCP é simples de configurar em comparação com outros servidores MCP, mas presumimos alguma familiaridade com LLMs, MCP e ferramentas de linha de comando. Nosso público-alvo são desenvolvedores e cientistas de dados. Adicione apenas outros servidores MCP de fontes confiáveis e tenha em mente que outras ferramentas MCP podem alterar o comportamento do nosso servidor MCP de maneiras inesperadas.

Opções de Configuração

Consulte CONFIG.md.

Como Usar

Consulte documentation/HOW_TO_USE.md.

Gerando HTML estático com a saída da chamada da ferramenta

Consulte documentation/OUTPUT_HTML.md.

Diretrizes

Consulte documentation/GUIDELINES.md.

Perguntas Frequentes (FAQ)

Consulte documentation/FAQ.md.

Dados de Treinamento e Calibração

Consulte documentation/DATA.md.

Avaliação sobre o OpenVerification1

Consulte documentation/EVAL.md.

Artigo de Demonstração do Sistema

Uma cópia do nosso artigo de demonstração do sistema "Introspectable, Updatable, and Uncertainty-aware Classification of Language Model Instruction-following", que se concentra particularmente na versão 2.1.0 do Servidor Reexpress MCP, está incluída aqui. Os scripts de suporte para replicar a análise estão incluídos aqui.

O cartão de modelo para a versão 2.4.0, que destaca as mudanças desde o artigo de demonstração do sistema, está disponível aqui.

Citação

Se você achar este software útil, considere citar os seguintes artigos 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 formato de saída mudou desde a v1.0.0 usada no vídeo. Consulte changelog.md. ↩