Reexpress

Reexpress Model-Context-Protocol (MCP) Sunucusu

Araç çağıran LLM'ler (ör. Claude Opus 4.7) ve macOS (Apple silicon üzerinde Tahoe 26 veya üstü) ya da Linux üzerinde çalışan MCP istemcileri için

Video özeti¹: Buradan

Reexpress MCP Sunucusu, karmaşık LLM işlem hatlarınıza ve yazılım geliştirme ve veri bilimi ortamlarında arama ve QA için LLM'leri günlük kullanımınıza son teknoloji istatistiksel doğrulama eklemek için hazır bir çözümdür. Yapay zeka iş akışlarınız için ilk güvenilir, istatistiksel olarak sağlam yapay zeka ikinci görüşüdür.

MCP sunucusunu kurun ve ardından Reexpress istemini sohbet metninizin sonuna ekleyin. Araç çağıran LLM (ör. Anthropic'in LLM modeli Claude Opus 4.7) daha sonra yanıtını, sağlanan önceden eğitilmiş Reexpress Benzerlik-Mesafe-Büyüklük (SDM) tahmincisi ile kontrol edecektir; bu tahminci, gpt-5.5-2026-04-23, gemini-3.1-pro-preview ve gemini-embedding-2'yi, araç çağıran LLM'nin çıktısıyla birlikte bir araya getirir ve OpenVerification1 veri kümesindeki eğitim ve kalibrasyon örneklerinden oluşan bir veri tabanına karşı tahmine dayalı belirsizliğin sağlam bir tahminini hesaplar. Reexpress yöntemine özgü olarak, modeli görevlerinize kolayca uyarlayabilirsiniz: Bir doğrulama tamamlandıktan sonra ReexpressAddTrue veya ReexpressAddFalse araçlarını çağırmanız yeterlidir; ardından Reexpress aracına yapılan gelecekteki çağrılar, doğrulama olasılığını hesaplarken güncellemelerinizi dinamik olarak dikkate alacaktır. Ayrıca, daha kapsamlı değişiklikler gerektiğinde veya alternatif temel LLM'ler kullanmak istediğinizde tam bir yeniden eğitim çalıştırabilmeniz için modelin eğitim betiklerini de dahil ediyoruz.

[!NOTE] Size (kullanıcıya) talimatlarınız doğrultusunda çıktıya olan güvenin ilkesel bir tahminini sunmanın yanı sıra, araç çağıran LLM'nin kendisi, yanıtını aşamalı olarak iyileştirmek, ek dış kaynaklara veya araçlara ihtiyaç duyup duymadığını belirlemek ya da bir çıkmaza girip sizden daha fazla açıklama veya bilgi istemesi gerektiğine karar vermek için doğrulama çıktısını kullanabilir. İşte buna SDM doğrulaması ile akıl yürütme diyoruz --- yapay zeka araç setinde, hem bireyler hem de kuruluşlar için LLM'ler ve LLM ajanlarının çok daha geniş bir kullanım alanı yelpazesinin önünü açacağını düşündüğümüz 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 arama erişimi verilir; SDM tahmincisi için tüm işlemler bilgisayarınızda yerel olarak yapılır. Reexpress MCP, basit ve muhafazakar ancak etkili bir dosya erişim sistemine sahiptir: ReexpressDirectorySet() ve ReexpressFileSet() dosya erişim araçları aracılığıyla dosyaları açıkça belirterek, hangi ek dosyaların (varsa) LLM API'lerine gönderileceğini siz kontrol edersiniz.

Sürüm 2.4.0'daki yenilikler

Model kartına buradan ulaşabilirsiniz.

Sürüm 2.4.0, üretken modeller olarak gpt-5.5-2026-04-23 ve gemini-3.1-pro-preview kullanır. 2.3.0.preview'de olduğu gibi, gemini-embedding-2, uyum temsil modeli olarak yerel granite-3.3-8b-instruct modelinin yerini alır. Bu, artık yerel olarak milyarlarca parametreli bir model çalıştırmanız gerekmediğinden Sunucuyu çalıştırmayı büyük ölçüde basitleştirir. Ayrıca, OpenVerification1 veri kümesini yeni örneklerle genişlettik. Ayrıntılar için model kartına bakın.

Ek notlar changelog.md dosyasında.

Sistem Gereksinimleri

MCP sunucusu Linux ve macOS üzerinde çalışır. Birincil gereksinim, MCP sunucusunu çalıştıran makinenin yerel olarak 3 milyon parametreli küçük bir PyTorch modelini çalıştırabilmesidir, bu nedenle hesaplama gereksinimleri minimumdur. (Yazıldığı gibidir: 3 milyar parametre değil, yalnızca 3 milyon parametre. Model, gemini-embedding-2 ve iki API dil modelinin sınıflandırma çıktısı üzerinden bir SDM aktivasyonundan oluşur.)

Kurulum

Bkz. INSTALL.md.

[!TIP] Reexpress MCP sunucusunun kurulumu diğer MCP sunucularına kıyasla daha basittir, ancak LLM'ler, MCP ve komut satırı araçları hakkında biraz bilgi sahibi olunduğunu 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

Bkz. CONFIG.md.

Nasıl Kullanılır

Bkz. documentation/HOW_TO_USE.md.

Araç çağrısından çıktı ile statik HTML oluşturma

Bkz. documentation/OUTPUT_HTML.md.

Yönergeler

Bkz. documentation/GUIDELINES.md.

SSS

Bkz. documentation/FAQ.md.

Eğitim ve Kalibrasyon Verileri

Bkz. documentation/DATA.md.

OpenVerification1 Üzerinde Değerlendirme

Bkz. documentation/EVAL.md.

Sistem Tanıtım Makalesi

Özellikle Reexpress MCP Sunucusunun 2.1.0 sürümüne odaklanan "Introspectable, Updatable, and Uncertainty-aware Classification of Language Model Instruction-following" başlıklı sistem tanıtım makalemizin bir kopyasına buradan ulaşabilirsiniz. Analizi tekrarlamak için destek betikleri burada bulunmaktadır.

Sistem tanıtım makalesinden bu yana yapılan değişiklikleri vurgulayan sürüm 2.4.0 için model kartına buradan ulaşabilirsiniz.

Atıf

Bu yazılımı faydalı bulursanız, 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 formatı videoda kullanılan v1.0.0'dan bu yana değişti. Bkz. changelog.md. ↩