Reexpress

Reexpress Model-Context-Protocol (MCP) Server

Для LLM с вызовом инструментов (например, Claude Opus 4.7) и MCP-клиентов, работающих на macOS (Tahoe 26 или новее на Apple silicon) или Linux

Видеообзор¹: Здесь

Reexpress MCP Server — это готовое решение для добавления современной статистической верификации в ваши сложные LLM-пайплайны, а также в повседневное использование LLM для поиска и ответов на вопросы в средах разработки ПО и data science. Это первое надежное, статистически устойчивое «второе мнение» ИИ для ваших рабочих процессов с ИИ.

Просто установите MCP-сервер, а затем добавьте промпт Reexpress в конец текста вашего чата. LLM с вызовом инструментов (например, модель Anthropic Claude Opus 4.7) затем проверит свой ответ с помощью предоставленной предобученной оценки Similarity-Distance-Magnitude (SDM) от Reexpress, которая объединяет gpt-5.5-2026-04-23, gemini-3.1-pro-preview и gemini-embedding-2 вместе с выводом LLM с вызовом инструментов и вычисляет надежную оценку прогностической неопределенности по базе данных обучающих и калибровочных примеров из набора данных OpenVerification1. Уникальность метода Reexpress в том, что вы можете легко адаптировать модель под свои задачи: просто вызовите инструменты ReexpressAddTrue или ReexpressAddFalse после завершения верификации, и последующие вызовы инструмента Reexpress будут динамически учитывать ваши обновления при расчете вероятности верификации. Мы также включаем скрипты обучения модели, чтобы вы могли провести полное переобучение, когда требуются более существенные изменения или вы хотите использовать альтернативные базовые LLM.

[!NOTE] Помимо предоставления вам (пользователю) обоснованной оценки уверенности в выводе с учетом ваших инструкций, сама LLM с вызовом инструментов может использовать результат верификации для постепенного уточнения своего ответа, определения необходимости в дополнительных внешних ресурсах или инструментах, либо констатации тупика и необходимости запросить у вас дополнительные разъяснения или информацию. Это то, что мы называем рассуждением с SDM-верификацией — совершенно новая возможность в наборе инструментов ИИ, которая, как мы полагаем, откроет гораздо более широкий спектр сценариев использования LLM и LLM-агентов как для частных лиц, так и для предприятий.

Данные отправляются только через стандартные вызовы LLM API в Azure/OpenAI и Google, при этом вызовам gemini-3.1-pro-preview через API предоставляется стандартный доступ к веб-поиску; вся обработка для SDM-оценщика выполняется локально на вашем компьютере. Reexpress MCP имеет простую и консервативную, но эффективную систему доступа к файлам: вы контролируете, какие дополнительные файлы (если таковые имеются) отправляются в LLM API, явно указывая файлы с помощью инструментов доступа к файлам ReexpressDirectorySet() и ReexpressFileSet().

Что нового в версии 2.4.0

Карточка модели доступна здесь.

Версия 2.4.0 использует gpt-5.5-2026-04-23 и gemini-3.1-pro-preview в качестве генеративных моделей. Как и в 2.3.0.preview, gemini-embedding-2 заменяет локальную модель granite-3.3-8b-instruct в качестве модели представления согласованности. Это значительно упрощает запуск сервера, поскольку вам больше не нужно локально запускать модель с миллиардами параметров. Кроме того, мы также расширили набор данных OpenVerification1 новыми примерами. Подробности см. в карточке модели.

Дополнительные примечания в changelog.md.

Системные требования

MCP-сервер работает на Linux и macOS. Основное требование заключается в том, что машина, на которой работает MCP-сервер, должна иметь возможность локально запускать небольшую модель PyTorch с 3 миллионами параметров, поэтому требования к вычислениям минимальны. (Именно так: всего 3 миллиона параметров, а не 3 миллиарда. Модель состоит из SDM-активации поверх gemini-embedding-2 и классификационного вывода двух API языковых моделей.)

Установка

См. INSTALL.md.

[!TIP] Reexpress MCP-сервер относительно прост в настройке по сравнению с другими MCP-серверами, но мы предполагаем некоторое знакомство с LLM, MCP и инструментами командной строки. Наша целевая аудитория — разработчики и специалисты по data science. Добавляйте другие MCP-серверы только из источников, которым вы доверяете, и помните, что другие MCP-инструменты могут неожиданным образом изменить поведение нашего MCP-сервера.

Параметры конфигурации

См. CONFIG.md.

Как использовать

См. documentation/HOW_TO_USE.md.

Генерация статического HTML с выводом вызова инструмента

См. documentation/OUTPUT_HTML.md.

Рекомендации

См. documentation/GUIDELINES.md.

Часто задаваемые вопросы

См. documentation/FAQ.md.

Данные для обучения и калибровки

См. documentation/DATA.md.

Оценка на OpenVerification1

См. documentation/EVAL.md.

Демонстрационная статья о системе

Копия нашей демонстрационной статьи о системе «Introspectable, Updatable, and Uncertainty-aware Classification of Language Model Instruction-following», которая, в частности, посвящена версии 2.1.0 Reexpress MCP Server, находится здесь. Вспомогательные скрипты для воспроизведения анализа находятся здесь.

Карточка модели для версии 2.4.0, в которой освещены изменения со времени демонстрационной статьи о системе, доступна здесь.

Цитирование

Если вы находите это программное обеспечение полезным, рассмотрите возможность цитирования следующих рецензируемых статей:

@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 формат вывода изменился с версии v1.0.0, использованной в видео. См. changelog.md. ↩