Reexpress

Reexpress 模型上下文協定 (MCP) 伺服器

適用於工具調用型 LLM（例如 Claude Opus 4.7）以及在 macOS（Apple 晶片上的 Tahoe 26 或更新版本）或 Linux 上執行的 MCP 用戶端

影片概覽¹：這裡

Reexpress MCP 伺服器是一個即插即用的解決方案，能為您複雜的 LLM 管線，以及您在軟體開發和資料科學環境中使用 LLM 進行搜尋和問答的日常應用，加入最先進的統計驗證。這是第一個可靠、統計上穩健的 AI 第二意見，專為您的 AI 工作流程而設計。

只需安裝 MCP 伺服器，然後將 Reexpress 提示詞附加到您的聊天文字末尾。工具調用型 LLM（例如 Anthropic 的 LLM 模型 Claude Opus 4.7）接著會使用提供的預訓練 Reexpress 相似度-距離-幅度 (SDM) 估計器來檢查其回應，該估計器整合了 gpt-5.5-2026-04-23、gemini-3.1-pro-preview 和 gemini-embedding-2，以及來自工具調用型 LLM 的輸出，並根據 OpenVerification1 資料集中的訓練和校準範例資料庫，計算出預測不確定性的穩健估計值。Reexpress 方法的獨特之處在於，您可以輕鬆地讓模型適應您的任務：只需在驗證完成後調用 ReexpressAddTrue 或 ReexpressAddFalse 工具，之後對 Reexpress 工具的調用就會在計算驗證機率時，動態地將您的更新納入考量。我們也包含了模型的訓練腳本，以便在需要進行更實質性的變更，或者您想使用替代的底層 LLM 時，可以執行完整的重新訓練。

[!NOTE] 除了為您（使用者）提供一個基於您指令的、對輸出信心的原則性估計之外，工具調用型 LLM 本身也可以使用驗證輸出來逐步完善其答案，判斷是否需要額外的外部資源或工具，或者是否已陷入僵局而需要向您請求進一步的澄清或資訊。這就是我們所說的使用 SDM 驗證進行推理——這是 AI 工具包中一項全新的能力，我們相信它將為個人和企業的 LLM 及 LLM 代理開啟更廣泛的應用案例。

資料僅透過標準的 LLM API 呼叫傳送至 Azure/OpenAI 和 Google，其中 gemini-3.1-pro-preview 的呼叫會透過 API 獲得標準的網路搜尋存取權限；SDM 估計器的所有處理都在您的電腦本機上完成。Reexpress MCP 擁有一個簡單、保守但有效的檔案存取系統：您可以透過檔案存取工具 ReexpressDirectorySet() 和 ReexpressFileSet() 明確指定要傳送至 LLM API 的額外檔案（如果有的話），從而控制哪些檔案會被傳送。

2.4.0 版本的新功能

模型卡可在這裡取得。

2.4.0 版本使用 gpt-5.5-2026-04-23 和 gemini-3.1-pro-preview 作為生成模型。與 2.3.0.preview 版本一樣，gemini-embedding-2 取代了本機的 granite-3.3-8b-instruct 模型，作為一致性表示模型。這大大簡化了伺服器的執行，因為您不再需要在本機執行一個數十億參數的模型。此外，我們也使用新的範例擴充了 OpenVerification1 資料集。詳情請參閱模型卡。

更多說明請見 changelog.md。

系統需求

MCP 伺服器可在 Linux 和 macOS 上執行。主要需求是執行 MCP 伺服器的機器必須能夠在本機執行一個小型、僅有 3 百萬參數的 PyTorch 模型，因此運算需求極低。（如字面所述：僅有 3 百萬個參數，而非 3 十億個參數。該模型由基於 gemini-embedding-2 的 SDM 激活以及兩個 API 語言模型的分類輸出所組成。）

安裝

請參閱 INSTALL.md。

[!TIP] 相較於其他 MCP 伺服器，Reexpress MCP 伺服器的設定相對簡單，但我們假設您對 LLM、MCP 和命令列工具有一定程度的熟悉。我們的目標受眾是開發人員和資料科學家。請僅新增您信任來源的其他 MCP 伺服器，並留意其他 MCP 工具可能會以意想不到的方式改變我們 MCP 伺服器的行為。

設定選項

請參閱 CONFIG.md。

如何使用

請參閱 documentation/HOW_TO_USE.md。

使用工具調用輸出來產生靜態 HTML

請參閱 documentation/OUTPUT_HTML.md。

指南

請參閱 documentation/GUIDELINES.md。

常見問題

請參閱 documentation/FAQ.md。

訓練與校準資料

請參閱 documentation/DATA.md。

基於 OpenVerification1 的評估

請參閱 documentation/EVAL.md。

系統示範論文

我們的系統示範論文「可內省、可更新且具不確定性感知的語言模型指令遵循分類」（特別聚焦於 Reexpress MCP 伺服器的 2.1.0 版本）副本收錄於此處。用於重現分析的支援腳本收錄於此處。

2.4.0 版本的模型卡（重點說明了自系統示範論文以來的變更）可在這裡取得。

引用

如果您發現此軟體有用，請考慮引用以下經同儕審查的論文：

@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 自影片中使用的 v1.0.0 版本以來，輸出格式已有所變更。請參閱 changelog.md。 ↩