Reexpress MCP Server

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'ta çalışan MCP istemcileri için

Video genel bakış¹: Burada

Reexpress MCP Sunucusu, karmaşık LLM iş 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 veritabanına 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 model için eğitim betiklerini de dahil ediyoruz, böylece daha önemli değişiklikler gerektiğinde veya alternatif temel LLM'ler kullanmak istediğinizde tam bir yeniden eğitim çalıştırabilirsiniz.

[!NOTE] Size (kullanıcıya) talimatlarınız doğrultusunda çıktıya olan güvenin ilkeli bir tahminini sunmanın yanı sıra, araç çağıran LLM'nin kendisi de doğrulama çıktısını kullanarak yanıtını aşamalı olarak iyileştirebilir, ek dış kaynaklara veya araçlara ihtiyaç duyup duymadığını belirleyebilir ya da bir çıkmaza girip sizden daha fazla açıklama veya bilgi istemesi gerektiğine karar verebilir. 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'da 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 dosyasındadır.

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 gibi: Yalnızca 3 milyon parametre; 3 milyar parametre değil. Model, gemini-embedding-2 üzerinden bir SDM aktivasyonu ve iki API dil modelinin sınıflandırma çıktısından oluşur.)

Kurulum

Bkz. INSTALL.md.

[!TIP] Reexpress MCP sunucusunun kurulumu diğer MCP sunucularına göre daha basittir, ancak LLM'ler, MCP ve komut satırı araçları hakkında biraz bilgi sahibi olduğunuzu varsayıyoruz. Hedef kitlemiz geliştiriciler ve veri bilimcilerdir. 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 2.4.0 sürümü için model kartına buradan ulaşabilirsiniz.

Atıf

Bu yazılımı faydalı bulursanız, aşağıdaki hakemli makalelere atıfta bulunmayı düşünün:

@misc{Schmaltz-2025-SimilarityDistanceMagnitudeActivations,
      title={Similarity-Distance-Magnitude Activations}, 
      author={Allen Schmaltz},
      year={2025},
      eprint={2509.12760},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2509.12760},
      note={To appear in \emph{Findings of the Association for Computational Linguistics: ACL 2026}, San Diego, CA, USA.},
}

@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. ↩