Reexpress

Reexpress Model-Context-Protocol (MCP) Sunucusu

Araç çağıran LLM'ler (ör. Claude Fable 5) ve macOS (Apple silicon üzerinde Tahoe 26 veya sonrası) veya Linux üzerinde çalışan MCP istemcileri için

Video genel bakış¹: Burada

Reexpress MCP Sunucusu, karmaşık LLM iş akışlarınıza ve yazılım geliştirme ve veri bilimi ortamlarında arama ve soru-cevap için LLM'lerin günlük kullanımınıza son teknoloji istatistiksel doğrulama eklemek için hazır bir çözümdür. AI iş akışlarınız için ilk güvenilir, istatistiksel olarak sağlam AI ikinci görüşüdür.

MCP sunucusunu kurmanız ve ardından sohbet metninizin sonuna Reexpress istemini eklemeniz yeterlidir. Araç çağıran LLM (ör. Anthropic'in LLM modeli Claude Fable 5) daha sonra yanıtını, gpt-5.5-2026-04-23, gemini-3.1-pro-preview ve gemini-embedding-2'yi bir araya getiren sağlanan önceden eğitilmiş Reexpress Benzerlik-Mesafe-Büyüklük (SDM) tahmincisi ile kontrol edecek ve araç çağıran LLM'in çıktısıyla birlikte OpenVerification1 veri kümesindeki eğitim ve kalibrasyon örneklerinden oluşan bir veritabanına karşı tahmini belirsizliğin sağlam bir tahminini hesaplayacaktır. Reexpress yöntemine özgü olarak, modeli görevlerinize kolayca uyarlayabilirsiniz: Bir doğrulama tamamlandıktan sonra ReexpressAddTrue veya ReexpressAddFalse araçlarını çağırmanız yeterlidir; ardından Reexpress aracına yapılacak gelecekteki çağrılar, doğrulama olasılığını hesaplarken güncellemelerinizi dinamik olarak dikkate alacaktır. Ayrıca, daha kapsamlı değişiklikler gerektiğinde tam yeniden eğitim çalıştırabilmeniz veya alternatif temel LLM'ler kullanmak istemeniz durumunda model için eğitim komut dosyalarını da dahil ediyoruz.

[!NOTE] Size (kullanıcıya) talimatlarınız doğrultusunda çıktıya ilişkin ilkeli bir güven tahmini sağlamanın yanı sıra, araç çağıran LLM'in kendisi doğrulama çıktısını yanıtını kademeli olarak iyileştirmek, ek harici kaynaklara veya araçlara ihtiyaç duyup duymadığını belirlemek veya bir çıkmaza girip sizden daha fazla açıklama veya bilgi istemesi gerekip gerekmediğini belirlemek için kullanabilir. Biz buna SDM doğrulamasıyla akıl yürütme diyoruz --- hem bireyler hem de kuruluşlar için LLM'ler ve LLM aracıları için çok daha geniş bir kullanım alanı yelpazesi açacağını düşündüğümüz, AI araç setinde tamamen yeni bir yetenek.

Veriler yalnızca standart LLM API çağrıları aracılığıyla Azure/OpenAI ve Google'a gönderilir; gemini-3.1-pro-preview çağrılarına API aracılığıyla standart web araması erişimi verilir; SDM tahmincisi için tüm işlemler bilgisayarınızda yerel olarak yapılır. Reexpress MCP, basit ve muhafazakar ancak etkili bir dosya erişim sistemine sahiptir: LLM API'lerine hangi ek dosyaların (varsa) gönderileceğini, dosya erişim araçları ReexpressDirectorySet() ve ReexpressFileSet() aracılığıyla dosyaları açıkça belirterek siz kontrol edersiniz.

Sürüm 2.5.0'daki yenilikler

2.5.0 sürümü, Araştırma Notu: İç İçe Benzerlik-Mesafe-Büyüklük Tahmincileri bölümünde açıklandığı gibi iç içe tahminciler uygular. Bu yaklaşım, kalibrasyon algoritmasını sınıf ve tahmin koşullu doğruluk üzerinde azalan olasılık eşikleri için basitçe çalıştırır. Sonuç olarak, tek bir bölge yerine, kalibrasyon noktalarının büyük çoğunluğu, sınıf ve tahmin koşullu doğruluğunun en az 0,5'ten büyük bir değer olduğu tahmin edilen bir bölgeye atanabilir. Herhangi bir bölgeye atanmayan kalan noktalar, etkili bir şekilde dağılım dışı olarak görülebilir. En muhafazakar bölge, yorumunu ve davranışını eskisi gibi korur ve iç içe bölgelerin, kalan noktaların göreceli olasılığını değerlendirmek için anlamlı bir sıralama sağladığını görüyoruz.

Ayrıca, kod tabanı kolaylaştırılmış ve dil modeli sonrası eğitim kodu kaldırılmıştır. Ağların temel ağırlıklarının ince eğitimi için ayrı bir depo yayınlanacaktır.

Yayınlanan model, aksi takdirde sürüm 2.4.x ile aynıdır. Aynı verilerle ve üretken modeller olarak gpt-5.5-2026-04-23 ve gemini-3.1-pro-preview ile kalibre edilmiştir. Ayrıntılar için Sürüm 2.4.0 model kartına bakın.

Ek notlar changelog.md içindedir.

Sistem Gereksinimleri

MCP sunucusu Linux ve macOS üzerinde çalışır. Birincil gereksinim, MCP sunucusunu çalıştıran makinenin yerel olarak küçük bir 3 milyon parametreli PyTorch modeli çalıştırabilmesidir, bu nedenle bilgi işlem gereksinimleri minimum düzeydedir. (Yazıldığı gibi: Yalnızca 3 milyon parametre; 3 milyar parametre değil. Model, gemini-embedding-2 üzerinde bir SDM aktivasyonundan ve iki API dil modelinin sınıflandırma çıktısından oluşur.)

Kurulum

BKURULUM.md bölümüne bakın.

[!TIP] Reexpress MCP sunucusu, diğer MCP sunucularına kıyasla kurulumu basittir, ancak LLM'ler, MCP ve komut satırı araçları hakkında biraz bilgi sahibi olduğunuzu varsayıyoruz. Hedef kitlemiz geliştiriciler ve veri bilimcileridir. Yalnızca güvendiğiniz kaynaklardan diğer MCP sunucularını ekleyin ve diğer MCP araçlarının MCP sunucumuzun davranışını beklenmedik şekillerde değiştirebileceğini unutmayın.

Yapılandırma seçenekleri

YAPILANDIRMA.md bölümüne bakın.

Nasıl Kullanılır

belgeler/NASIL_KULLANILIR.md bölümüne bakın.

Araç çağrısı çıktısıyla statik HTML oluşturma

belgeler/CIKTI_HTML.md bölümüne bakın.

Yönergeler

belgeler/YONERGELER.md bölümüne bakın.

SSS

belgeler/SSS.md bölümüne bakın.

Eğitim ve Kalibrasyon Verileri

belgeler/VERI.md bölümüne bakın.

OpenVerification1 Üzerinde Değerlendirme

belgeler/DEGERLENDIRME.md bölümüne bakın.

Sistem Tanıtım Makalesi

Sistem tanıtım makalemizin "Introspectable, Updatable, and Uncertainty-aware Classification of Language Model Instruction-following" adlı bir kopyası, özellikle Reexpress MCP Sunucusu'nun 2.1.0 sürümüne odaklanmaktadır, burada yer almaktadır. Analizi çoğaltmak için destek komut dosyaları burada yer almaktadır.

Sistem tanıtım makalesinden bu yana yapılan değişiklikleri vurgulayan 2.4.0 sürümü için model kartı burada mevcuttur.

Atıf

Bu yazılımı yararlı buluyorsanız, aşağıdaki hakemli makalelere atıfta bulunmayı düşünün:

@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 çıktı biçimi, videoda kullanılan v1.0.0'dan bu yana değişmiştir. changelog.md bölümüne bakın. ↩