Reexpress Model-Context-Protocol (MCP) Server

Reexpress Model-Context-Protocol (MCP) サーバー

macOS（Apple silicon 上の Tahoe 26 以降）または Linux で動作する、ツール呼び出し対応の LLM（例：Claude Fable 5）および MCP クライアント向け

動画の概要¹：こちら

Reexpress MCP サーバーは、複雑な LLM パイプラインや、ソフトウェア開発およびデータサイエンスの環境で検索や QA に LLM を日常的に使用する際に、最先端の統計的検証を追加できる、そのまま導入可能なソリューションです。AI ワークフローに信頼性と統計的な堅牢性をもたらす、初の AI セカンドオピニオンです。

MCP サーバーをインストールし、チャットテキストの末尾に Reexpress プロンプトを追加するだけです。すると、ツール呼び出し対応の LLM（例：Anthropic の LLM モデル Claude Fable 5）が、提供されている事前学習済み Reexpress 類似度・距離・大きさ（SDM）推定器を使って応答を検証します。この推定器は、gpt-5.5-2026-04-23、gemini-3.1-pro-preview、gemini-embedding-2、およびツール呼び出し対応の LLM の出力をアンサンブルし、OpenVerification1 データセットの学習例およびキャリブレーション例のデータベースに照らして、予測の不確実性を堅牢に推定します。Reexpress メソッドの独自の特徴として、タスクに合わせてモデルを簡単に調整できます。検証が完了した後に ReexpressAddTrue または ReexpressAddFalse ツールを呼び出すだけで、以降の Reexpress ツールの呼び出しでは、検証確率の計算に更新内容が動的に反映されます。また、モデルの学習スクリプトも含まれているため、より大幅な変更が必要な場合や、別の基盤 LLM を使用したい場合は、完全な再学習を実行できます。

メモ

指示に基づく出力の信頼度を原則に基づいて推定し、ユーザーに提示するだけでなく、ツール呼び出し対応の LLM 自身が検証結果を使って回答を段階的に洗練させたり、追加の外部リソースやツールが必要かどうかを判断したり、行き詰まってユーザーにさらなる説明や情報を求める必要があるかどうかを判断したりできます。これを私たちは SDM 検証による推論と呼んでいます。これは AI ツールキットにおけるまったく新しい機能であり、個人と企業の双方において、LLM および LLM エージェントのユースケースを大幅に広げるものになると考えています。

データは、Azure/OpenAI および Google への標準的な LLM API 呼び出しを通じてのみ送信されます。gemini-3.1-pro-preview への呼び出しでは、API 経由で標準的なウェブ検索が利用できます。SDM 推定器の処理はすべてお使いのコンピューター上でローカルに実行されます。Reexpress MCP はシンプルで保守的ながら効果的なファイルアクセスシステムを備えています。ファイルアクセスツール ReexpressDirectorySet() と ReexpressFileSet() を使ってファイルを明示的に指定することで、LLM API に送信される追加ファイル（ある場合）を管理できます。

バージョン 2.5.0 の新機能

バージョン 2.5.0 では、Research Note: Nested Similarity-Distance-Magnitude Estimators で説明されているネストされた推定器を実装しています。このアプローチでは、クラスおよび予測条件付きの精度について、確率のしきい値を段階的に下げながらキャリブレーションアルゴリズムを実行するだけです。その結果、単一の領域ではなく、キャリブレーションポイントの大部分を、クラスおよび予測条件付きの精度が少なくとも 0.5 より大きい何らかの値になると推定される領域に割り当てられます。どの領域にも割り当てられない残りのポイントは、実質的に分布外とみなすことができます。最も保守的な領域は、従来どおりの解釈と動作を維持します。また、ネストされた領域によって、残りのポイントの相対的な確率を判定するための有意義な順位付けが可能になることがわかりました。

さらに、コードベースを整理し、言語モデルの事後学習コードを削除しました。ネットワークの基盤となる重みをファインチューニングするための別のリポジトリを公開する予定です。

公開されたモデルは、それ以外はバージョン 2.4.x と同じです。同じデータを使用してキャリブレーションされており、生成モデルには gpt-5.5-2026-04-23 と gemini-3.1-pro-preview を使用しています。詳細はバージョン 2.4.0 のモデルカードをご覧ください。

変更履歴にも追加情報があります。

システム要件

MCP サーバーは Linux および macOS で動作します。主な要件は、MCP サーバーを実行するマシン上で、小規模な 300 万パラメーターの PyTorch モデルをローカルで実行できることです。そのため、必要な計算リソースは最小限です。（記載のとおり、パラメーター数は 3 億 ではなく、わずか 3 百万 です。このモデルは、gemini-embedding-2 上の SDM アクティベーションと、2 つの API 言語モデルの分類出力で構成されています。）

インストール

INSTALL.mdをご覧ください。

ヒント

Reexpress MCP サーバーは、他の MCP サーバーと比べて簡単にセットアップできますが、LLM、MCP、コマンドラインツールについてある程度の知識があることを前提としています。対象読者は開発者とデータサイエンティストです。信頼できるソースからの MCP サーバーのみを追加し、他の MCP ツールが予期しない形で当 MCP サーバーの動作を変える可能性があることにご注意ください。

設定オプション

CONFIG.mdをご覧ください。

使用方法

documentation/HOW_TO_USE.mdをご覧ください。

ツール呼び出しの出力を使用した静的 HTML の生成

documentation/OUTPUT_HTML.mdをご覧ください。

ガイドライン

documentation/GUIDELINES.mdをご覧ください。

FAQ

documentation/FAQ.mdをご覧ください。

学習データとキャリブレーションデータ

documentation/DATA.mdをご覧ください。

OpenVerification1 に対する評価

documentation/EVAL.mdをご覧ください。

システムデモ論文

システムデモ論文「Introspectable, Updatable, and Uncertainty-aware Classification of Language Model Instruction-following」のコピーをこちらに掲載しています。この論文では、特に Reexpress MCP Server のバージョン 2.1.0 に焦点を当てています。分析を再現するためのサポートスクリプトはこちらに含まれています。

システムデモ論文以降の変更点をまとめたバージョン 2.4.0 のモデルカードは、こちらからご覧いただけます。

引用

このソフトウェアが役に立った場合は、以下の査読済み論文の引用をご検討ください。

@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. 動画で使用されている v1.0.0 以降、出力形式が変更されています。変更履歴をご覧ください。 ↩