Reexpress Model-Context-Protocol (MCP) Server

Reexpress Model-Context-Protocol (MCP) 服务

适用于工具调用型大模型（例如 Claude Fable 5）和运行于 macOS（Apple 芯片，Tahoe 26 或更高版本）或 Linux 上的 MCP 客户端

视频介绍¹：点击此处

Reexpress MCP Server 是一款即插即用的解决方案，可为复杂的大模型工作流，以及日常使用大模型进行搜索和问答的场景，提供先进的统计验证，尤其适用于软件开发和数据科学领域。它是首个可靠、统计稳健的 AI 第二意见工具，可用于 AI 工作流。

只需安装 MCP 服务，然后在聊天文本末尾添加 Reexpress 提示词即可。工具调用型大模型（例如 Anthropic 的大模型 Claude Fable 5）随后会使用提供的预训练 Reexpress 相似度-距离-幅度（SDM）估计器检查其回答。该估计器集成了 gpt-5.5-2026-04-23、gemini-3.1-pro-preview 和 gemini-embedding-2，并结合工具调用型大模型的输出，针对 OpenVerification1 数据集中的训练和校准示例数据库，计算稳健的预测不确定性估计。Reexpress 方法的独特之处在于，你可以轻松地将模型调整为适合自己的任务：验证完成后，只需调用 ReexpressAddTrue 或 ReexpressAddFalse 工具；之后调用 Reexpress 工具时，就会动态考虑你的更新，并据此计算验证概率。我们还提供了模型的训练脚本，因此，在需要进行更大幅度的更改，或想要使用其他底层大模型时，你可以完整地重新训练模型。

说明

除了根据你的指令，为输出提供有依据的置信度估计外，工具调用型大模型本身还可以利用验证结果逐步完善回答、判断是否需要更多外部资源或工具，或者是否陷入僵局并需要向你询问更多说明或信息。这就是我们所说的 基于 SDM 验证进行推理 —— AI 工具包中的一项全新能力。我们相信，它将为个人和企业的大模型及大模型 Agent 开拓范围更广的用例。

数据仅通过面向 Azure/OpenAI 和 Google 的标准大模型 API 调用发送；gemini-3.1-pro-preview 调用通过 API 获得标准的网络搜索权限。SDM 估计器的所有处理都在你的电脑上本地完成。Reexpress MCP 采用简单、审慎而有效的文件访问系统：你可以通过文件访问工具 ReexpressDirectorySet() 和 ReexpressFileSet() 明确指定要发送给大模型 API 的其他文件（如果有）。

2.5.0 版本的新内容

2.5.0 版本实现了研究说明：嵌套相似度-距离-幅值估计器中所述的嵌套估计器。该方法只需针对类别和预测条件准确率，按递减的概率阈值运行校准算法。这样一来，绝大多数校准点都可以划分到某个区域中，该区域的类别和预测条件准确率估计值至少高于某个 0.5 以上的数值，而不是只划分到单一区域。未划分到任何区域的其余点可以视为实际上属于分布外。最保守区域仍保留原有的解释和行为；我们发现，嵌套区域为判定其余点的相对概率提供了有意义的排序。

此外，代码库经过了精简，移除了语言模型后训练代码。我们将另行发布一个仓库，用于对网络的底层权重进行微调。

除此之外，发布的模型与 2.4.x 版本相同。该模型使用相同的数据进行校准，生成模型使用 gpt-5.5-2026-04-23 和 gemini-3.1-pro-preview。详情请参阅2.4.0 版本模型卡。

更多说明请参阅changelog.md。

系统要求

MCP 服务可在 Linux 和 macOS 上运行。主要要求是运行 MCP 服务的机器能够在本地运行一个 300 万参数的 PyTorch 小模型，因此所需的计算资源很少。（没错，只有 300 万参数，而不是 30 亿参数。该模型由基于 gemini-embedding-2 的 SDM 激活值和两个 API 大模型的分类输出组成。）

安装

请参阅 INSTALL.md。

提示

与其他 MCP 服务相比，Reexpress MCP 服务的设置很简单，但我们假设你熟悉大模型、MCP 和命令行工具。我们的目标受众是开发者和数据科学家。只添加来自可信来源的其他 MCP 服务，并请注意，其他 MCP 工具可能会以意想不到的方式改变我们的 MCP 服务的行为。

配置选项

请参阅 CONFIG.md。

使用方法

请参阅 documentation/HOW_TO_USE.md。

使用工具调用的输出生成静态 HTML

请参阅 documentation/OUTPUT_HTML.md。

指南

请参阅 documentation/GUIDELINES.md。

常见问题

请参阅 documentation/FAQ.md。

训练和校准数据

请参阅 documentation/DATA.md。

在 OpenVerification1 上的评估

请参阅 documentation/EVAL.md。

系统演示论文

此处收录了我们的系统演示论文《可内省、可更新且具备不确定性感知能力的语言模型指令遵循分类》，该论文尤其关注 Reexpress MCP Server 的 2.1.0 版本：此处。用于复现分析的支持脚本收录于此处。

2.4.0 版本的模型卡重点介绍了自系统演示论文发布以来的变化，可在此处查看。

引用

如果你觉得这款软件有用，请考虑引用以下经过同行评审的论文：

@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. 输出格式自视频中使用的 v1.0.0 版本以来已有变化。请参阅 changelog.md。 ↩