Reexpress

Reexpress 模型上下文协议 (MCP) 服务器

适用于工具调用型 LLM（例如 Claude Opus 4.7）以及在 macOS（Apple 芯片上的 Tahoe 26 或更高版本）或 Linux 上运行的 MCP 客户端

视频概览¹：此处

Reexpress MCP 服务器是一个即插即用的解决方案，可为您的复杂 LLM 流水线以及您在软件开发和数据科学场景中使用 LLM 进行搜索和问答的日常操作，添加最先进的统计验证。这是为您的 AI 工作流提供的首个可靠、统计上稳健的 AI 第二意见。

只需安装 MCP 服务器，然后将 Reexpress 提示添加到聊天文本的末尾。工具调用型 LLM（例如 Anthropic 的 LLM 模型 Claude Opus 4.7）随后将使用提供的预训练 Reexpress 相似度-距离-幅度 (SDM) 估计器检查其响应，该估计器集成了 gpt-5.5-2026-04-23、gemini-3.1-pro-preview 和 gemini-embedding-2，以及工具调用型 LLM 的输出，并针对来自 OpenVerification1 数据集的训练和校准示例数据库，计算预测不确定性的稳健估计。Reexpress 方法的独特之处在于，您可以轻松地使模型适应您的任务：只需在验证完成后调用 ReexpressAddTrue 或 ReexpressAddFalse 工具，之后对 Reexpress 工具的调用将在计算验证概率时动态考虑您的更新。我们还包含了模型的训练脚本，以便在需要进行更实质性的更改，或者您想使用替代的底层 LLM 时，可以运行完整的重新训练。

[!NOTE] 除了为您（用户）提供关于输出在给定指令下的置信度的原则性估计外，工具调用型 LLM 本身还可以使用验证输出来逐步完善其答案，确定是否需要额外的外部资源或工具，或者是否已陷入僵局并需要向您请求进一步的澄清或信息。这就是我们所说的使用 SDM 验证进行推理——这是 AI 工具包中一项全新的能力，我们认为它将为个人和企业开辟更广泛的 LLM 和 LLM 智能体用例。

数据仅通过标准的 LLM API 调用发送到 Azure/OpenAI 和 Google，其中 gemini-3.1-pro-preview 调用通过 API 获得标准的网络搜索访问权限；SDM 估计器的所有处理都在您的计算机本地完成。Reexpress MCP 具有一个简单、保守但有效的文件访问系统：您可以通过文件访问工具 ReexpressDirectorySet() 和 ReexpressFileSet() 明确指定文件，来控制将哪些附加文件（如果有）发送到 LLM API。

版本 2.4.0 的新增功能

模型卡片可在此处获取。

版本 2.4.0 使用 gpt-5.5-2026-04-23 和 gemini-3.1-pro-preview 作为生成模型。与 2.3.0.preview 版本一样，gemini-embedding-2 取代了本地的 granite-3.3-8b-instruct 模型，作为一致性表示模型。这大大简化了服务器的运行，因为您不再需要在本地运行一个数十亿参数的模型。此外，我们还用新的示例扩展了 OpenVerification1 数据集。详情请参阅模型卡片。

更多说明见 changelog.md。

系统要求

MCP 服务器在 Linux 和 macOS 上运行。主要要求是运行 MCP 服务器的机器需要能够在本地运行一个 300 万参数的小型 PyTorch 模型，因此计算要求极低。（正如所写：仅 300 万 参数；不是 30 亿 参数。该模型由对 gemini-embedding-2 的 SDM 激活以及两个 API 语言模型的分类输出组成。）

安装

请参阅 INSTALL.md。

[!TIP] 相对于其他 MCP 服务器，Reexpress MCP 服务器的设置相对简单，但我们假设您对 LLM、MCP 和命令行工具有一定的熟悉度。我们的目标受众是开发者和数据科学家。仅添加来自您信任来源的其他 MCP 服务器，并注意其他 MCP 工具可能会以意想不到的方式改变我们 MCP 服务器的行为。

配置选项

请参阅 CONFIG.md。

如何使用

请参阅 documentation/HOW_TO_USE.md。

使用工具调用输出生成静态 HTML

请参阅 documentation/OUTPUT_HTML.md。

指南

请参阅 documentation/GUIDELINES.md。

常见问题解答

请参阅 documentation/FAQ.md。

训练和校准数据

请参阅 documentation/DATA.md。

基于 OpenVerification1 的评估

请参阅 documentation/EVAL.md。

系统演示论文

我们的系统演示论文“Introspectable, Updatable, and Uncertainty-aware Classification of Language Model Instruction-following”的副本（特别关注 Reexpress MCP 服务器的 2.1.0 版本）包含在此处。用于复现分析的支持脚本包含在此处。

版本 2.4.0 的模型卡片（重点介绍了自系统演示论文以来的变化）可在此处获取。

引用

如果您发现此软件有用，请考虑引用以下同行评审的论文：

@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 输出格式自视频中使用的 v1.0.0 以来已发生变化。请参阅 changelog.md。 ↩