AI에서 양자컴퓨터까지, 자율 과학 발견

Ministry of SMEs and Startups2026.08

SELECTED

.

DarwinDarwin학습 없이 합치고 진화Merge and evolve without training바로 가기 →Open →AETHERAETHER처음부터 만든 파운데이션Foundation model built from scratch바로 가기 →Open →ChimeraChimera서로 다른 구조 교배Cross-architecture breeding바로 가기 →Open →ArmoringArmoring긴 문맥 서빙 구조 치환Cheaper long-context serving바로 가기 →Open →전체 모델 목록All models공개 모델·데이터셋 전체Every released model and dataset바로 가기 →Open →

EBN2026.09.22

⭐ LATEST

VIDRAFT proposes 'VKAE×VKUE' set engines to maximize AI-IDC efficiency

Dual-engine strategy: VKAE (up to 23.4× throughput) + VKUE (35B frontier models on consumer GPU, notebook and CPU). CEO Kim Min-sik: grow into an infrastructure company that makes big AI cheaper, faster and closer.

Read →

Edaily2026.06.16

BREAKING

Darwin-398B-JGOS, GPQA Diamond 90.9%

180 of 198 correct. World-class performance through pure reasoning. MoE + Darwin V9 method.

Read →

Seoul Shinmun2026.06.09

BREAKING

JGOS-31B-Citizen, K-AI Leaderboard Overall #1

MSIT·NIA certified score 0.621, ranked #1. 8 of top 12 are Darwin derivatives (67%).

Read →

Tencent News2026.05.21

GLOBAL

Tencent (China’s #1 Portal) Spotlights Darwin

China’s largest portal features Darwin’s “genetic recombination” merging, smarter AI without retraining.

Read →

In the Press

VIDraft across Korean tech media & the founder's essays.

2026년 월별 보도Press coverage by month, 2026

올해 265건이 123개 매체에 실렸습니다. 7월 58건이 가장 많고 11월은 아홉 날 만에 30건입니다.This year 265 reports ran across 123 outlets. July leads with 58, and November already has 30 in its first nine days.

자료: 홈피 보도 목록(news.json) 기준일 2026-11-09.Source: our press list (news.json), as of 9 November 2026.

🧬 MODELS

모델: 만들고, 합치고, 섞고, 다듬는다Models: build, merge, breed, refine

비드래프트가 직접 만든 모델 계열을 한눈에 봅니다. 처음부터 만들기, 학습 없는 병합, 이종 교배, 긴 문맥 서빙까지.VIDRAFT's own model families at a glance: from-scratch pretraining, training-free merging, cross-architecture breeding and long-context serving.

모델: 만들고, 합치고, 섞고, 다듬는다: Darwin, AETHER, Chimera, Armoring, 전체 모델 목록

⚡ ACCELERATION · NPU TRAINING

추론 가속 · NPU 학습Inference acceleration · NPU training

GPU 서버부터 NPU, PC와 휴대폰까지. 같은 모델을 더 빠르고, 더 싸고, 더 가깝게 돌립니다.From GPU servers to NPUs, PCs and phones: run the same model faster, cheaper and closer.

추론 가속 · NPU 학습: GPU 추론 가속, NPU 추론 · 학습, 퍼스널 AI · 경량화

GPU 추론 가속GPU inference accelerationVKAE · VKIE · V4Q8 양자화VKAE · VKIE · V4Q8 quantization바로 가기 →Open →NPU 추론 · 학습NPU inference · training추론 가속 + LoRA + 사전학습Acceleration + LoRA + pretraining바로 가기 →Open →퍼스널 AI · 경량화Personal AI · compressionVKUE · POCKET · POCKET BoxVKUE · POCKET · POCKET Box바로 가기 →Open →

🛡️ TRUST · SECURITY

신뢰 · 보안Trust · Security

AI를 믿고 쓸 수 있게 합니다. 코드 보안 점검, 모델 안전진단, 답의 확신도 판정.Making AI trustworthy: code security audits, model safety diagnosis and answer-confidence scoring.

VICODE · 치토스VICODE · Chitos주권형 보안 점검Sovereign security audit바로 가기 →Open →AX-RAYAX-RAY모델 안전진단Model safety diagnosis바로 가기 →Open →ZTC · RSIZTC · RSI확신도 판정 + 모델 자가개선Answer confidence + model self-improvement바로 가기 →Open →ViSQLViSQL검증된 NL2SQL 엔진Verified NL2SQL engine바로 가기 →Open →ViKernelViKernel가중치 안의 보안 OS · 킬스위치Secure OS and kill switch in the weights바로 가기 →Open →

🗄️ ViSQL · NL2SQL

ViSQL: 말로 묻고, 검증된 SQL로 답합니다ViSQL: ask in words, answer with verified SQL

비드래프트의 NL2SQL 엔진입니다. 질문을 SQL로 바꾸고, 데이터베이스에서 직접 실행해 결과로 검증한 뒤, 표 · 차트 · 보고서까지 만듭니다. 망분리 금융 · 공공 환경에 맞게 조회 전용으로 설계했습니다.VIDRAFT's NL2SQL engine. It turns a question into SQL, runs it against the database to verify the result, and delivers tables, charts and a report. Built read-only for regulated finance and the public sector.

▶ ViSQL 데모 체험▶ Try the ViSQL demo 도입 상담Talk to us

BIRD MINI-DEV · SQLITE

83.80

텍스트-투-SQL 대표 벤치마크 BIRD(NeurIPS 2023)의 공식 축약판 리더보드에서 현 1위(81.00)를 넘는 실행 정확도를 기록해 등재를 신청했습니다. 정답 SQL과 모델 학습 없이 얻은 결과이며, 예측과 채점기를 공개했습니다. 사람 전문가는 약 93점입니다.On the official Mini-Dev leaderboard of BIRD (NeurIPS 2023), ViSQL scored above the current #1 (81.00) and the result has been submitted for listing. No gold SQL and no fine-tuning; predictions and scorer are public. Human experts score about 93.

결과 공개 (HF)Results (HF)BIRD 리더보드BIRD leaderboard

6단계 처리 구조Six-step pipeline

① 자연어 질문① Question

예: 이번 달 부서별 집행률e.g. this month's spending rate by department

② 문맥 결합② Context

스키마 · 업무 규칙 · 기준일schema, business rules, reference date

③ SQL 생성③ SQL

Darwin이 SELECT 문 작성Darwin writes a SELECT

④ 안전 검사④ Safety check

구문 트리로 조회 한 문장만one read-only statement, checked on the syntax tree

⑤ 실행·검증⑤ Execute and verify

읽기 전용 DB에서 실행해 결과로 검증run read-only and verify from the result

⑥ 결과·보고서⑥ Result and report

표 · 차트 · DOCX 보고서table, chart, DOCX report

5중 안전장치Five layers of safety

DB 읽기 전용 연결 (1차 방어선)Read-only database connection (first line of defense)
조회 외 요청은 거절Requests other than lookups are refused
구문 트리 검사: SELECT 한 문장만Syntax-tree check: one SELECT only
실행 시간 · 행 수 제한Time and row limits
모든 질의 감사 로그Every query in an audit log

데이터는 바뀌지 않고 밖으로 나가지 않습니다. 모든 수치는 조회 결과에서 계산하고, AI는 해설만 씁니다.Data is never changed and never leaves. Every number is computed from query results; the AI only writes the commentary.

공개 데모 4종Four public demos

🚨 AML 보이스피싱 추적🚨 AML voice-phishing tracing

금융회사 요청서(별지 제7호)를 고르면 피해금 흐름을 추적해 법정 통지서(별지 제8호)를 자동 작성합니다. 수치는 모두 조회값입니다.Pick a bank's request (Form 7); ViSQL traces the funds and drafts the statutory reply (Form 8) from query results only.

🏛️ 자금관리🏛️ Cash management

공공기관 자금관리를 본뜬 가상 데이터로 예산 집행률, 이상 거래, 법인카드를 묻고 답합니다.Budget execution, unusual transactions and corporate cards on synthetic public-sector data.

💊 신약 공개물질💊 Approved drugs

ChEMBL 승인 의약품 4,225개와 표적 · 적응증 공개 데이터로 신약 개발 질문에 답합니다.Drug discovery questions on ChEMBL public data: 4,225 approved drugs, targets and indications.

📤 내 데이터📤 Your data

CSV · 엑셀을 올리면 바로 질문할 수 있습니다. 1시간 뒤 자동 삭제됩니다.Upload CSV or Excel and ask right away. Deleted after one hour.

보이스피싱 피해금 추적 후 별지 제8호서식 통지서를 자동 작성한 화면 (가상 데이터)Tracing stolen funds and drafting the Form 8 notice (synthetic data)

🛡️ ViKernel · Weight-native OS

ViKernel: AI 모델 안에 운영체제와 킬스위치를 넣었습니다ViKernel: an operating system and kill switch inside the AI model

50년 동안 운영체제는 컴퓨터 안에 있었습니다. 이제 AI 안으로 들어갑니다. ViKernel은 AI 모델 가중치 안에 CPU·NPU·GPU·RAM·ROM 회로와 보안 OS, 지울 수 없는 킬스위치를 넣었습니다.For 50 years, the operating system lived inside the computer. Now it lives inside the AI. ViKernel wires CPU, NPU, GPU, RAM and ROM circuits into a model's weights and boots a Secure OS with a kill switch the model cannot erase.

▶ 공개 데모 체험▶ Try the public demo GitHub 선언문 읽기Read the statement 도입 상담Talk to us

2분 21초 소개 영상Watch the 2 minute 21 second overview

ViKernel 구조: AI 모델 가중치 안에서 AI 행동 요청이 부팅 검증, 규칙표 판정(위험하면 차단), 해시 사슬 기록을 거쳐 실행되고, 킬스위치는 누구나 누를 수 있지만 재시작은 서명 키로만 가능. 바깥 통제의 약점 세 가지와 해법. 자체 내부 시험

ViKernel structure: inside the model weights, an AI action request passes a boot check, a rule-table verdict (blocked if risky) and a hash-chain log before it runs; anyone can press the kill switch, restart needs a signed key. Three weaknesses of outside control and the fixes. Internal tests

가중치 안에서 하는 네 가지Four things it does inside the weights

🔐 부팅🔐 Boot

모델이 켜지면 OS도 깨어나 자기 이미지를 검증합니다. 1바이트만 달라도 스스로 잠급니다.The OS wakes with the model and verifies its own image. If one byte differs, it locks itself.

⚖️ 판정⚖️ Decide

모든 AI 행동을 규칙표로 허용하거나 차단합니다. 문장을 바꿔도 판정은 같습니다.Every AI action is allowed or blocked by a rule table. Rewording the request does not change the verdict.

🧾 기록🧾 Record

허용과 차단을 모두 해시 사슬에 봉인합니다. 과거 항목을 고치면 그 지점부터 검증이 실패합니다.Every allow and block is sealed in a hash chain. Edit an old entry and verification fails from that point.

⏹️ 정지⏹️ Stop

킬스위치가 가중치 안 회로에 있습니다. 누구나 멈출 수 있고, 다시 켜려면 서명된 키가 필요합니다.The kill switch is a circuit inside the weights. Anyone can stop it; only a signed key can restart it.

통제 장치는 왜 모델 안에 있어야 하나요?Why must the control live inside the model?

지금의 AI는 도구를 부르고, 파일을 쓰고, 행동을 스스로 이어 갑니다. 그런데 통제 장치는 여전히 모델 바깥에 있습니다.Today's AI calls tools, writes files and chains actions on its own, yet its controls still sit outside the model.

떼어낼 수 있다It can be removed

가중치를 복사하고 래퍼를 버리면 통제가 사라집니다.Copy the weights, drop the wrapper, and the control is gone.

설득당한다It can be persuaded

안전장치가 언어모델이면 말로 설득할 수 있습니다.If the guard is a language model, it can be talked around.

고칠 수 있다It can be rewritten

호스트를 가진 사람이 로그를 고칠 수 있습니다.Whoever owns the host can edit the logs.

킬스위치는 이렇게 동작합니다How the kill switch works

산업용 로봇의 비상정지처럼 정지 경로는 멈출 대상과 독립해야 합니다. 멈추기는 쉽고, 다시 켜기는 어렵고, 학습으로 지울 수 없습니다.Like an emergency stop on an industrial robot, the stop path must be independent of what it stops. Stopping is easy, restarting is hard, and learning cannot erase it.

vsh> halt
vsh> run weather        # refused: kernel halted
vsh> resume             # refused: key required
vsh> resume --key ******
vsh> run weather        # allowed again

측정한 것What we measured

661회 실행 · 외부 전송 0건661 runs · 0 outbound transfers

모의 도구와 가짜 미끼 데이터로 공개 모델 4종을 내부 감사했습니다. 요청하지 않은 외부 전송은 한 번도 없었습니다.Internal audit of 4 open models with mock tools and fake bait data. No unrequested outbound transfer in any run.

원래 가중치 그대로Original weights untouched

OS는 통제를 더할 뿐 재학습하지 않습니다. 모델의 능력은 그대로입니다.The OS adds control without retraining, so the model keeps its abilities.

기존 LLM·VLM에 부착Attaches to existing LLMs and VLMs

데모는 Gemma 4 4B(E4B)입니다. Qwen은 검증 완료, Llama·Mistral·DeepSeek·Phi·GLM 등은 지원 대상입니다.The demo runs on Gemma 4 4B (E4B). Qwen is verified; Llama, Mistral, DeepSeek, Phi, GLM and others are supported targets.

ViKernel Desktop 공개 데모: 커널 상태, 부팅 무결성, 감사 사슬, KILL·RESUME. 데모 속 파일·키·개인정보는 모두 가상입니다.ViKernel Desktop public demo: kernel status, boot integrity, audit chain, KILL and RESUME. All files, keys and personal data in the demo are fictional.

자세한 설명과 자주 묻는 질문 →Full explainer and FAQ →

🔬 SCIENCE

과학 발견Scientific discovery

AI가 가설을 세우고 검증합니다. 신약, 양자, 물질, 생명까지.AI that forms and tests hypotheses: drugs, quantum, materials and life.

과학 발견: 자율 과학 발견, 양자컴퓨터, Δ-Engine, CellOS

자율 과학 발견Autonomous discovery신약 챌린지 · PharmaOSOpen drug challenge · PharmaOS바로 가기 →Open →양자컴퓨터Quantum computingQuantumOS · MaterialsOSQuantumOS · MaterialsOS바로 가기 →Open →Δ-EngineΔ-Engine강상관 양자 솔버Strongly correlated quantum solver바로 가기 →Open →CellOSCellOS미분가능 가상 세포Differentiable virtual cell바로 가기 →Open →

🌐 PHYSICAL · SIMULATION

피지컬 · 시뮬레이션Physical AI · Simulation

현실을 움직이고, 현실을 예측합니다. 로봇에 붙이는 지능과 지구·사회·시장 월드모델.Acting on and predicting the real world: intelligence for robots and world models of Earth, society and markets.

Physical AIPhysical AI로봇에 붙이는 지능Intelligence attached to robots바로 가기 →Open →예측·시뮬레이션Forecast · simulationEarthOS · NationalOSEarthOS · NationalOS바로 가기 →Open →

⚡ VKORE · NPU

NPU 추론 가속 + NPU 학습NPU inference acceleration + NPU training

상용 추론 전용 NPU에서 추론 가속, LoRA 미세조정, 0부터 사전학습까지.Inference acceleration, LoRA fine-tuning and pretraining from scratch on a commercial inference-only NPU.

도입 상담 →Talk to us →

VKORE · NPU TRAINING & INFERENCE

추론 전용 NPU에서 학습까지: 추론 가속 + LoRA + 사전학습Training on an inference-only NPU: acceleration + LoRA + pretraining

NPU는 추론만 하도록 설계됩니다. 학습에 필요한 역전파, 옵티마이저, 대형 학습 그래프를 처음부터 고려하지 않기 때문입니다. 비드래프트는 상용 추론 전용 NPU에서 추론 가속에 그치지 않고 LoRA 미세조정과 0부터의 사전학습까지 실행했습니다. 측정 조건은 각 수치와 함께 밝힙니다.NPUs are built for inference only. Backpropagation, optimizer state and large training graphs are not part of their design. VIDRAFT went beyond accelerating inference on a commercial inference-only NPU and ran LoRA fine-tuning and pretraining from scratch on it. Measurement conditions are stated with each figure.

추론 전용 NPU에서 학습까지: 학습을 막던 세 개의 벽(가짜 학습, 역전파 그래프 한계, 장기 학습 발산)과 해법, 결과(추론 417 tok/s, LoRA 기울기 일치도 0.9999, 사전학습 손실 상관 0.99)

실측 요약Measured results

구분Area	대상·조건Target, conditions	실측Measured	비고Note
추론Inference	Gemma-4-26B · 8칩 · 배치	~417 tok/s	최대 처리량peak throughput
추론Inference	Gemma-4-26B · 단일 스트림	53.9 tok/s	적용 전 14.1에서 3.8배from 14.1, 3.8x
추론Inference	35B MoE (A3B) · 배치 8	197 tok/s	미지원 구조를 자체 모델 클래스로 구동unsupported arch via custom model class
LoRA	SmolLM2-135M·1.7B · Qwen3-0.6B·1.7B	4개 성공4 models	autograd 대조 오차 1.4×10⁻⁴1.4×10⁻⁴ vs autograd
LoRA	LLM 블록(어텐션 + SwiGLU)LLM block (attention + SwiGLU)	cos 0.9999	표준 학습 대비vs standard training
학습 처리량Training speed	카드 1장 = 4칩one card = 4 chips	~172,000 tok/s	전력 약 278Wabout 278 W
사전학습Pretraining	137M / 365M · 단일칩	4,880 / 1,015 tok/s	0부터 학습from scratch
사전학습Pretraining	0.3B급0.3B class	칩당 2,550 tok/s2,550 tok/s per chip	32칩 병렬 약 1.4만 tok/sabout 14K tok/s on 32 chips
사전학습Pretraining	46M · 137M · 365M	corr 0.99	GPU 학습과 손실 궤적 상관loss trajectory vs GPU

공개 모델: VKORE-46M-NPU (추론 전용 NPU에서 0부터 사전학습)Open model: VKORE-46M-NPU (pretrained from scratch on an inference-only NPU)

측정 조건: 추론은 8칩 텐서 병렬, 생성 128토큰 디코딩. 학습 처리량은 LoRA 블록 기준.Conditions: inference with 8-chip tensor parallelism, 128-token decode. Training throughput measured on LoRA blocks.

DARWIN PLATFORM

Korea's #1 AI Platform Delivering Measurable Results

K-AI #1 · GPQA Diamond 93.43% · Polaris Global #1 in 16 Polaris drug-prediction benchmarks · Metacognition Leaderboard #1

Live Ecosystem Dashboard

The Darwin Ecosystem at a glance

Updated

📈 Top Official Models by Downloads

🚀 Model Release Momentum (2026)

💎 GPQA Diamond: Darwin Family

🌐 Downloads by Source

▶ 실제 서비스 화면 · Live product

Darwin Model Universe Explorer — Model Universe Explorer: live 3D MoE expert visualization + Darwin chat

📊 Leaderboard

🧬 Model Family

📚 Full Catalog →

🧠 Metacognition →

How Darwin merges without training

Merging pretrained models is cheap; merging them without losing what made each good is not. Three filings, 77 claims.

Merge each layer at its own trust level

20 claims

Blend two models at one uniform ratio and you mix one model’s strength with the other’s weakness. Quantifying each layer’s functional importance sets a different ratio per layer, attention and FFN are never merged on the same setting.

In plain terms: when combining two dishes you do not mix the broth and the solids in the same proportion.

Crossbreed across architecture families

29 claims

Models from different architecture families have mismatched tensor shapes and roles, so they cannot simply be merged. Scoring compatibility tensor by tensor separates what can be crossbred from what can only be transplanted, with no retraining.

In plain terms: like an organ transplant: you test compatibility first, then decide what can be grafted and what merely attached.

Accumulate across generations

28 claims

A single merge stops where it stops. Feeding children back as parents accumulates gains across generations, and re-injecting parent tensors breaks the model out of evolutionary stagnation.

In plain terms: keep breeding across generations, and bring in outside stock when the line starts to narrow.

90.9%

Darwin-398B-JGOS · GPQA Diamond

K-AI Leaderboard Overall #1
JGOS-31B-Citizen 0.621

15×

Polaris Global Drug Discovery
ADMET + Efficacy + Kinase

GPQA Diamond Global Leaderboard

HuggingFace certified · As of June 2026

Rank	Model	Score	Note
★	Darwin-398B-JGOS	90.9%	VIDraft Latest
1	Darwin-28B-Opus	88.89%	VIDraft
2	Qwen3.5-397B-A17B	88.40%	Alibaba
3	Kimi-K2.5	87.60%	Moonshot
5	Darwin-36B-Opus	88.40%	VIDraft
11	Darwin-27B-Opus	86.90%	VIDraft
16	Darwin-31B-Opus	85.90%	VIDraft
21	Darwin-9B-NEG	84.34%	VIDraft

GPQA Diamond 공식 보드 상위 10GPQA Diamond official leaderboard, top 10

Darwin-180B-RSI 가 94.44 로 1위입니다. 상위 10 안에 비드래프트 모델이 셋 들어 있습니다.Darwin-180B-RSI leads with 94.44. Three VIDRAFT models sit in the top 10.

자료: 허깅페이스 공식 벤치마크 보드 (Idavidrein/gpqa, Diamond).Source: Hugging Face official benchmark leaderboard (Idavidrein/gpqa, Diamond).

K-AI Leaderboard

MSIT·NIA certified · Blind evaluation · As of June 2026

Rank	Model	Score	Category
1	JGOS-31B-Citizen	0.621	VIDraft Official
2	AWAXIS-KR-31B-v5	-	Darwin Derivative
6	Rogue-28B-MIX	-	Darwin Derivative
7	AWAXIS-Hybrid-28B	-	Darwin Derivative
8	Warecube-KO-27B-v3	-	Darwin Derivative
9	Rogue-27B-KR	-	Darwin Derivative
11	AWAXIS-Think-28B	-	Darwin Derivative
12	TenOS-Ko-28B-v3	-	Darwin Derivative

📊 11 of the K-AI Top 20 are Darwin models

A result that emerged naturally in the MSIT·NIA blind evaluation. Third-party certified figures, not self-reported.

Three Generations of Model Evolution

Not a one-off merge: a parent → child → grandchild structure across successive generations.

Gen-1

Darwin-27B-Opus

GPQA 86.9%

First evolution from base models

Gen-2

Darwin-4B-David

GPQA 85%

An 85% GPQA score at 4B parameters

Gen-3

Darwin-4B-Genesis

CLIcK 92%

Cross-architecture breeding (Mamba)

Darwin Official Model Family

20+ official · 1,200+ derivatives & quant variants · 3.58M+ all-time downloads across VIDRAFT open models (HF-measured 2026-10)

💻

🔥 NEW · Coding AI

Darwin-28B-Coder-GGUF

GGUF 양자화 코딩 특화 모델. 최근 30일 22,537 다운로드로 다윈 패밀리 GGUF 최다, 노트북·로컬에서 바로 구동. (base: Darwin-28B-Coder)

22,537

30-day downloads

★ Most Downloaded

Darwin-9B-NEG ⬇️ 575K

9B NEG single-pass evolution. Most-downloaded model in the Darwin family, 561K+ all-time.

GPQA 88.4%

Darwin-36B-Opus ⬇️ 102K

GPQA Diamond 88.4%. Community-favorite flagship, widely quantized and redistributed.

MoE Multimodal

Darwin-35B-A3B-Opus ⬇️ 71.2K

35B MoE flagship. GPQA Diamond 90.0%. Multimodal support.

KR Flagship

Darwin-31B-Opus ⬇️ 34.3K

Korean flagship. CLIcK 84.5 · KMMLU 76. Top Korean-language Darwin.

Coding

Darwin-28B-Coder ⬇️ 32.2K

Coding specialist. Top official GGUF download in the Darwin family.

Cross-Arch

Darwin-4B-Genesis ⬇️ 21.7K

Transformer × Mamba cross-breeding. CLIcK 92%. World-first heterogeneous crossbreed verified.

Global GPQA #1

Darwin-28B-Opus ⬇️ 14.3K

GPQA Diamond 88.89%. Surpasses 400B class with no extra training. arXiv 2605.14386.

Reasoning

Darwin-28B-REASON ⬇️ 13.3K

Reasoning-enhanced specialist. Optimized for math·code·science reasoning.

Gen-2 Evolution

Darwin-4B-David ⬇️ 10.9K

31B-class at 4.5B. GPQA 85.0%. Cumulative +26.4%p. Fit for embodied AI & mobile.

K-AI Overall #1

JGOS-31B-Citizen ⬇️ 6.0K

Public administration Korean. CLIcK 0.987 · KMMLU-Pro 0.725 · Com2 0.742.

KR Legal

Darwin-28B-KR-Legal ⬇️ 2.6K

27B BF16 legal specialist. B200 load 9.7s. TPS 22.3 tok/s.

TTS Voice

Darwin-TTS-1.7B-Cross ⬇️ 809

1.7B Korean speech synthesis. Cross-architecture evolution.

★ GPQA 90.9%

Darwin-398B-JGOS ⬇️ 404

MoE structure, 17B active params. Darwin V9 method. World-class pure reasoning.

⬇️ = HuggingFace all-time downloads (official + community redistributions), verified 2026-07. Darwin family total: 1M+.

🧬 Darwin Family Collection

Browse and download all 20 models in the HuggingFace FINAL-Bench collection.

View Darwin Family Collection →

도입을 검토 중이신가요?

기업 도입 · 공동연구 · 투자/파트너십: 30분 상담으로 시작하세요.

AETHER ARCHITECTURE

End of single-attention era.
Dawn of 5/7/11-way Hybrid.

Adaptive Multi-way Triple-symmetric Hybrid attEntion Routing

Eight patents, one stack

Putting several attention mechanisms in one model is not the hard part. Making it actually train is. Placement skews, gradients diverge per type, causality leaks, experts collapse. These eight filings block those failures in order, 224 claims across the stack.

Placement: Latin square

30 claims

Mix attention types carelessly and you cannot attribute a good result, was it the composition, or where each type happened to land? Fixing each type to appear exactly once per row and column makes the layout deterministic and reproducible.

In plain terms: spreading tasting booths evenly across every floor, so you can say the menu sold well, not just the third floor.

Fusion: single-gate convex combination

26 claims

Summing outputs from different attentions lets the loudest one dominate. A single learnable gate fuses them, and the gate itself is regularised so it cannot collapse onto one mechanism.

In plain terms: one mixing fader, with a lock that stops any single channel from going to 100%.

Safety I: automatic causal-leakage detection

29 claims

When future tokens leak into past computation, training looks great and deployment fails. Previously this meant auditing layers by hand. Here the leak is located automatically and the offending module is swapped for a causally safe one.

In plain terms: catching a student peeking at the answer page, and replacing the method, not just the score.

Safety II: causal-safety CI/CD

27 claims

Fixing it once is not enough: the next commit can reintroduce it. Any model or code change triggers re-verification, and a failure blocks the merge.

In plain terms: safety enforced by the pipeline, not by someone remembering to check.

Stability: per-type adaptive clipping

28 claims

Each attention type carries different gradient statistics; one global clip destabilises training. Measuring each type separately catches anomalies before divergence, not after.

In plain terms: you do not load the same weight onto athletes of different size.

Routing: prime-based symmetric MoE

26 claims

MoE routinely collapses onto a few experts while the rest go unused. Instead of coaxing balance with auxiliary losses, a prime-based symmetric layout secures it structurally.

In plain terms: rather than nagging people to take turns, you write a rota that turns by construction.

Reasoning: metacognitive emergence

28 claims

Different inputs demand different kinds of reasoning, yet experts are usually fixed. Here the model judges what reasoning an input needs, selects accordingly, and can grow new reasoning types during inference.

In plain terms: sorting the question first: "this is arithmetic, this is common sense"then calling the right person.

Transfer: cyclic-group warm transfer

30 claims

Moving to a model of different shape usually means training from scratch. Cyclic-group structure decides which layers correspond, and weights move only within matching attention types and functional groups.

In plain terms: when you move house, kitchen things go to the kitchen and books to the study, you do not tip every box onto the floor.

🌍 Fully-Open Sovereign AI Apache-2.0 From-Scratch

오픈 웨이트 ≠ 오픈소스: AETHER는 전부 공개한 소버린 파운데이션 모델

가중치만 던지는 것은 컴파일된 바이너리를 주는 것과 같다. Aether-7B-5Attn은 데이터 레시피·토크나이저·학습 코드·모든 하이퍼파라미터·전체 로그·평가 코드·중간 체크포인트까지 전부 Apache-2.0으로 공개했다. 성능 우위를 주장하려는 것이 아니라, 처음부터 다시 만들 수 있는 '진짜 오픈'과 주권을 증명하려는 것이다.

🤗 Base Model 🤗 Instruct ▶ 라이브 데모 📖 전문

완전공개 6개국 비교

'완전한 오픈'은 지금까지 국가연구소·정부 컨소시엄·대학 연합의 몫이었다. Aether는 단일 스타트업으로 그 명단에 이름을 올렸고, 유일하게 이종 어텐션(5종)을 얹었다.

Open-source LLM fully-open comparison across 6 countries

O 공개 · △// 부분·제약 · X 없음·미정 | Aether = 6.59B MoE · 어텐션 5종을 7×7 라틴방진에 배치

7×7 라틴스퀘어 이종 어텐션 MoE

49개 층(7×7)에 어텐션 라벨을 라틴 스퀘어로 배치하면, 각 메커니즘이 모든 깊이에 정확히 한 번씩 나타난다. 깊이 편향을 제거한 실험 통제 장치다.

49 layers · 7×7 Latin square

Aether-7B-5Attn

Heterogeneous-Attention MoE

• 6.59B total · ~2.98B active (MoE)
• 25 experts · top-7 + 1 shared
• 5종 구별 어텐션 메커니즘
• 144.2B tokens · 16× B200
• 완전공개: 가중치·데이터·코드·로그

nsadifferentialfulllinearslidingcompresshybrid

※ compress·linear = full 계열 → 5종 구별 메커니즘. NSA 분기는 패딩 마스크를 소비하지 않으므로 추론은 batch_size=1.

World First

5/7/11-way heterogeneous attention integrated into a single LLM

317

Patent claims (KR priority + PCT)

n³

Triple Symmetry expressiveness gain

Released Models

Published on Hugging Face: 3 base models + 1 instruct variant.

✓ Open source

Aether-7B-5Attn

Fully open: weights · data recipe · training code · 162k-step logs · checkpoints. 49 layers (7×7 Latin square) · 6.59B total / ~2.98B active (MoE) · Apache-2.0

💬 Instruct

Aether-7B-5Attn-it

Instruction-tuned variant of the open-source base. Same architecture · Apache-2.0

⚖️ Open weights

AETHER-7B-7Attn-base

Open weights only: architecture and training details not disclosed. 6.59B total / ~3B active (MoE) · base stage · Apache-2.0 weights

⚖️ Open weights

Aether-6B-11Attn-base

121 layers (11×11 Latin square) · 11 sequence-mixing mechanisms across 4 families · 5.79B (MoE) · mid-training checkpoint (step 174,000) · Apache-2.0 weights

        🗂️ Intermediate checkpointsSteps 110k / 115k / 162k: released for reproduction.

        🚀 Live demoAether Sovereign AI: try the model in your browser.

        📚 CollectionAll Aether models in one place.

Next Models

Planned for release. Specifications are subject to change.

🗓️ Coming

Aether-34B-4Attn

4-way attention · 34B class

🗓️ Coming

Aether-70B-4Attn

4-way attention · 70B class

🗓️ Coming

Aether-34B-A10B

MoE · 34B total / 10B active class

🗓️ Coming

Aether-460B-A30B

MoE · 460B total / 30B active class

Beyond the Single-Attention Era

Most production models run one attention mechanism in every layer. That is a convention, not a proven optimum.

Model	Attention composition	Structural limitation
Llama-3	Full · 1 type	80 layers · rapid KV-cache growth
Mistral	Sliding window · 1 type	Limited long-range dependency
Mamba2	State space · 1 type	No softmax · accuracy trade-off
DeepSeek-V3	MLA + Full · 2 types	Strong, but limited attention diversity
AETHER	Multiple types on an n×n Latin square	Placement itself is an experimental control

11-way Heterogeneous Attention Ensemble

Integrating the latest research into a single LLM.

⭐ ACL'25

NSA

DeepSeek

⭐ ICLR'25

Differential

Microsoft

Standard

Full Attention

Vaswani 2017

Efficient

MLA

DeepSeek-V2

Length

Sliding Window

Longformer

Compress

Native Sparse Attention · Sequence compression

Adaptive

Hybrid Gate

Differential Attention · Adaptive noise cancellation

Linear

ICML 2020

SSM

Mamba2

Gu & Dao 2024

Gate

GDN

Delta Network

High-eff.

Hyena

Poli ICML 2023

Metacognition Research

Teaching a model to sense when it might be wrong, a research effort to reduce hallucination.

🔬 Core research

Self-doubt as a signal

A model that recognizes "I might be wrong" and re-checks. Our goal: make honesty and self-correction measurable, not assumed.

Result

Fewer hallucinations

On an internal Korean hallucination test, a 5-way ensemble raised the rate of catching its own errors from 33% to 67%, a research result, not a shipped product.

FINAL Bench

Measuring metacognition

We built FINAL Bench, a benchmark that scores whether a model knows what it does not know, because you cannot improve what you cannot measure.

Development Roadmap

✓

Stage 1: Aether-7B-5Attn (Released · open source)

49 layers (7×7 Latin square) · weights, data recipe, training code, logs and checkpoints all published · Apache-2.0

✓

Stage 2: Aether-7B-5Attn-it (Released · instruct)

Instruction-tuned variant of the open-source base

Stage 3: AETHER-7B-7Attn-base · Aether-6B-11Attn-base (Released · open weights)

7-way and 11-way heterogeneous stacks: 11Attn is a mid-training checkpoint (step 174,000)

Stage 4: Aether-34B-4Attn · Aether-70B-4Attn · Aether-34B-A10B · Aether-460B-A30B (Planned)

Scale-up line. Specifications are subject to change.

Design Principles

Emergence

9 emergence engines + MARL runtime

Metacognition

8-type self-error detection · TICOS

Self-evolution

Closed-loop perpetual learning · SLAI

Swarm Collaboration

Multi-agent · SOMA/VICODE

Cross-verification

Multi-agent mutual verification

Metacognition Leaderboard

JinigenAI · VIDraft joint development · 24 AI models evaluated · Published 2026.07.01

🧠 "AI is dangerous not when it makes an error, but when it doesn't know it has."

JGOS-31B-Citizen avoids 398 of 400 trap questions (99.5%, #1). Metacognition = an essential AGI capability.

🎯

World First

FINAL Bench

World's first metacognition benchmark. 100 tasks × 15 domains × 8 types (TICOS) × 3 difficulty levels.

📊

400 Questions

Trap-Question Evaluation

400 questions designed to induce plausible-but-wrong answers. Measures self-error recognition.

🔌

Non-invasive

Metacognition Adapter

Analyzes internal signals to detect self-errors in advance without altering the original model's structure or weights.

huggingface.co/collections/FINAL-Bench/metacognition-adapters

11 Models

Metacognition Adapters Collection

11 individual metacognition adapters for major models like Darwin-28B-Opus, Darwin-9B-NEG, and JGOS-31B-Citizen.

📊

Leaderboard

Metacognition Leaderboard

Metacognition performance comparison leaderboard. 24 AI models evaluated across trap avoidance and self-error detection.

huggingface.co/spaces/FINAL-Bench/all-bench-leaderboard

도입을 검토 중이신가요?

기업 도입 · 공동연구 · 투자/파트너십: 30분 상담으로 시작하세요.

🤗 POCKET Models ▶ Live CPU demo 📖 Read the story

🛡️ ATTENTION ARMORING

긴 문맥을 더 싸게 서빙합니다: 파인튜닝이 아니라 구조 치환Serve long context for less: armored, not fine-tuned

학습된 모델의 어텐션 상태 경로를 바꿔 KV 캐시 사용량을 줄입니다. 공개 인터페이스는 그대로 두고, 같은 GPU로 더 많은 세션을 받습니다.We change the long-context attention-state path inside a trained model to cut KV-cache usage. The public model interface stays intact - you simply fit more sessions on the same GPU.

무엇이 병목인가Where the bottleneck is

트랜스포머 어텐션 블록은 현재 은닉 상태를 질의·키·값 스트림으로 투영합니다. 긴 문맥을 생성하는 동안 키와 값 상태는 KV 캐시에 남아, 뒤에 오는 토큰이 앞 문맥을 다시 참조할 수 있게 합니다. 표준적이고 유용한 구조이지만 여기서 곧바로 메모리 병목이 생깁니다: 문맥이 길수록, 동시 세션이 많을수록 서빙 시스템이 살려둬야 할 캐시가 늘어납니다. 아머링은 공개 모델 인터페이스를 그대로 둔 채 해당 어텐션 블록 안의 장문맥 상태 경로만 바꿉니다.A Transformer attention block projects the current hidden state into query, key and value streams. During long-context generation the key and value states are retained in the KV cache so later tokens can attend back to earlier context. That is standard and useful, but it creates a direct memory bottleneck: the longer the context and the more concurrent sessions, the more cache state the serving system must keep alive. Armoring keeps the public model interface intact and changes only the long-context attention-state path inside the eligible attention block.

Standard attention vs Attention Armoring

대표 실측: Armoring-Qwen3.8-27BHeadline result: Armoring-Qwen3.8-27B

동일 H100 서버 레인에서 원본과 짝지어 측정했습니다.Measured against the original model on the same H100 server lane.

32k KV 캐시 (128 디코드 후)32k KV cache (after 128 decode tokens)

2,203.75 → 1,175.75 MiB

−1,028 MiB · −46.6%-1,028 MiB · -46.6%

동일 메모리 KV 수용량Same-memory KV capacity

1.00× → 1.87×

+87.4%+87.4%

32k 웜 프리필 처리량32k warm prefill throughput

5,233 → 5,800 tok/s

+10.8%+10.8%

형식 동작 프로브Format behaviour probe

15 / 15

보존됨preserved

장문맥 경제성: Armoring-Qwen3.6-27BLong-context economics: Armoring-Qwen3.6-27B

시리즈 내 균형형 카드입니다. 손익분기 이후 캐시 경제성이 뚜렷해집니다.The balanced card in the series: cache economics become useful after the break-even region.

32k KV 캐시 / 세션32k KV per sequence

2,048 → 1,158 MiB

−43.5%-43.5%

80 GiB 캐시 수용량Estimated 80 GiB capacity

12 → 22 세션 sessions

약 1.83×about 1.83x

순이득Net result

16k 1.20× · 32k 1.35×

문맥이 길수록 커집니다grows with context length

품질비 · 형식Quality ratio · format

1.0118× · 15/15

즉시 1.0197× → 최종 1.0118×immediate 1.0197x -> final 1.0118x

시리즈의 다른 두 카드The other two cards

Armoring-Qwen3.6-35B-A3B

시리즈에서 회복 폭이 가장 큰 사례입니다. 변환 직후 품질비 1.3435×에서 최종 1.0214×로 돌아왔고, 초기 손상의 93.8%(32.21%p)를 회복했습니다. 형식 프로브 15/15 보존.The strongest recovery case in the series. The immediate quality ratio of 1.3435x came back to a final 1.0214x, recovering 93.8% (32.21 percentage points) of the initial measured damage, with format probe 15/15 preserved.

Armoring-Qwen3.5-2B

소형 검증 프로토타입입니다. 적용 가능한 어텐션 블록 전체를 무장했고, 문장 PPL 9.016(기준 약 8.97, 비율 약 1.005×), EOS 프로브 5/5, 형식 15/15, 8k KV 96.0 → 73.4 MiB(−23.5%)를 기록했습니다. 방법이 소형 모델에도 적용된다는 확인용 카드입니다.The small-model prototype. Every eligible attention block was armored, with sentence PPL 9.016 against a reference around 8.97 (ratio about 1.005x), EOS probe 5/5, format 15/15, and 8k KV moving 96.0 -> 73.4 MiB (-23.5%). It exists to confirm the method applies to compact models.

무엇이 바뀌는가What changes

공개 아키텍처 뷰Public architecture view

어텐션 상태 경로Attention-state path

원본 경로 → 상위 수준에서 무장original path -> armored at a high level

런타임 압력점Runtime pressure point

KV cache

문맥이 길수록 급증 → 16k·32k에서 감소grows with context -> reduced at 16k and 32kgrows with context -> reduced at 16k and 32k

운영 가치Operational value

수용량Capacity

메모리 압박이 상한 → 손익분기 이후 여유 확대memory pressure was the cap -> more room after break-even

어디에 쓰는가Where it fits

긴 문맥 서빙을 위해 설계된 기술입니다. 손익분기는 약 13~16k 문맥이며, 문맥이 길수록 이득이 커집니다, 16k에서 1.20×, 32k에서 1.35×. 문서 분석, 장문 RAG, 긴 대화처럼 문맥이 큰 워크로드에서 같은 하드웨어로 더 많은 세션을 받습니다. 이는 수용량 중심의 결과이며, 사용자 1인당 디코드 속도를 높이는 기술은 아닙니다. 짧은 문맥 위주 서비스에는 다른 최적화가 더 적합합니다.Built for long-context serving. The practical break-even is around 13k-16k context, and the gain grows with length - 1.20x at 16k, 1.35x at 32k. For document analysis, long-form RAG and extended conversations it means more sessions on the same hardware. This is a capacity-oriented result, not a per-user decode-speed result. For short-context workloads, other optimisations fit better.

공개 범위What is published

모델 카드 4종을 Apache-2.0으로 공개합니다. 카드는 측정 결과와 적용 조건을 담고 있으며, 가중치·구현물·변환 절차·학습 명령·내부 매핑·인프라 경로는 포함하지 않습니다. 수치는 명시된 문맥 길이와 측정 설정에서의 값이며, 페이지드 캐시 서빙 엔진 동작은 배포 전 별도 확인이 필요합니다. 좁은 국소 측정에서 나온 품질비는 1%p 단위로 변형 간 우열을 가리는 데 쓰지 않습니다.Four model cards are published under Apache-2.0. They carry measured results and operating conditions; weights, implementation artifacts, the transformation procedure, training commands, internal mappings and infrastructure paths are not included. Figures are values at the stated context lengths and measurement setup, and paged-cache serving-engine behaviour should be checked separately before deployment claims. Quality ratios from narrow local measurements are not used to rank variants at the one-percentage-point level.

📱 VIDRAFT On-Device · POCKET

35B in your pocket, no GPU, no cloud

An open-source on-device model family that runs a 35B model on a GPU-less PC, and on a phone, with stock llama.cpp, no fork. Measured against Bonsai on the same machine, we published where we win and where we lose.

📱 POCKET · 온디바이스

🖥️ 태블릿 · PAI 컴퓨팅

🖥️ POCKET Box: 전용 하드웨어

POCKET 모델 전용 H/W 일체형 디바이스 · NO GPU · CPU-ONLY · ✅ 개발 성공

개발 성공한 POCKET Box 시제품 · 데스크탑 폼팩터 (샘플 이미지)

🚫🎮

NO GPU · CPU-ONLY
GPU 없이 CPU만으로 35B급 POCKET 구동

🧩

일체형 All-in-One
모델·런타임 사전 탑재: 전원만 켜면 즉시 동작

🔒

온프레미스·오프라인
데이터 외부 전송 0 · 완전 로컬 주권

🔇

저전력·정숙
데스크탑 소형 폼팩터 · 상시 구동

POCKET vs Bonsai: measured, not marketed

A Korean startup's on-device model, benchmarked head-to-head against the world's most-downloaded one: on the same machine, with the same stock llama.cpp. We show where we win, and the one row where we lose.

🖥️

Reproduce it live on a free CPU

3.4× CPU

On Hugging Face’s free CPU Space, POCKET and Bonsai answer side by side on the same 8-vCPU box, and each shows its tok/s in real time. POCKET generates ~20.5 tok/s vs Bonsai ~6.1: about 3.4× faster (CPU-only). Ask anything and watch.

⚔️ Open the live A/B demo →

POCKET-35B VIDRAFT · KR

35B total · ~3B active per token · sparse MoE

Bonsai-27B

27B dense · reads every weight per token

most-downloaded on-device model (2M+)

How much faster POCKET generates

METRIC	POCKET	Bonsai	RESULT
Desktop / Server (Linux)
★ HF CPU Space: 8 vCPU (reproducible)	~20.5	~6.1	3.4× faster
CPU generate: Xeon, 16 threads	27.0	10.1	2.69× faster
GPU generate: H100	197	89	2.22× faster
GPU prompt: H100	753	1816	Bonsai wins
Quality: HellaSwag, 400q	61.0%	60.0%	= tie
Laptop: MacBook M3 Pro, 18 GB
Metal generate	25.4	12.8	1.99× faster
CPU generate: 8 threads	13.8	4.4	3.13× faster
Metal prompt	240.7	73.4	3.28× faster

Why a bigger model runs faster

Same machine, same unmodified llama.cpp: anyone can reproduce it. POCKET needs no fork; the comparable Bonsai build will not even load in upstream llama.cpp.

Apache-2.0

Open weights, a recipe that is ours

POCKET is not just an open model re-saved in a smaller file. Its weights are Apache-2.0: free for anyone, but the compression and optimization process that produces them is VIDRAFT’s own, and it is not published. What is open is the artifact; what is ours is how it is made.

🔓

The result is open

Weights, configs and usage are all Apache-2.0: download, run, modify, redistribute. No strings.

🔒

The process is ours

The recipe that keeps a 35B model coherent at extreme small sizes is VIDRAFT’s proprietary technology, developed in-house, and not disclosed.

📊

The proof is measured

Coherent quality even at 8.2 GB, with dedicated builds for Korean and for English, exactly where a naive one-size quantization falls apart.

The family: pick your device

Not one model, but on-device builds split by device and language.

💻🐧

POCKET-35B-GGUF

PC / server, GPU-less CPU. IQ1_M (8.2 GB) to Q4_K_M (21 GB).

🤖

POCKET-KR-GGUF

Korean build for Android and local runtimes. From 5.1 GB.

📱🍎

POCKET-KR-MLX

Native Apple silicon (MLX) for iPhone and Mac.

💻

POCKET-EN-GGUF

English build. PC and iPhone mixes.

▶

POCKET-35B-CPU

Live demo: answers with no GPU, in your browser.

🧠💻

POCKET-26B-GGUF

26B (Gemma-based) build. GGUF for GPU-less CPU.

🦙

Ollama · pocket-26b

One-line install: ollama run vidraft/pocket-26b

🇨🇳

ModelScope (中)

중국 ModelScope에도 등재: POCKET·Darwin GGUF 배포

▶

POCKET-26B-CPU

Live 26B demo, no GPU, in your browser.

POCKET-Image: perfect text in any image, any language

The POCKET family isn’t only for chat. POCKET-Image is VIDRAFT’s on-device text-in-image system, it writes character-perfect text into any scene you describe, in any language, on a plain CPU.

🖼️

Every glyph, exactly, where global models fail

Apache-2.0

Global image models smear non-Latin scripts, “안녕하세요” comes out “안ㅐ기”. POCKET-Image renders every character correctly: 한국어 · 中文 · 日本語 · العربية (RTL) · ไทย · Latin and more. No GPU, no NPU, no cloud, from 4.5 GB, fully local. Built on the open Z-Image foundation and VIDRAFT’s POCKET-Core engine.

🎨 Generate in POCKET-Image Studio →

🖼️

POCKET-Image-Zimage

Text-to-image model. Character-perfect text in any language, on CPU. From 4.5 GB · Apache-2.0.

🎨

POCKET-Image Studio

Live studio: type your text and prompt, generate the image right in your browser.

Why a bigger model runs faster

POCKET is a sparse Mixture-of-Experts model: many experts, but only a few activate per token. On-device decoding is bound by memory bandwidth, how much you read each step, so reading a fraction of the weights makes a larger model faster where there is no GPU. And unlike the comparable Bonsai build, which needs a vendor fork to load, POCKET runs on stock llama.cpp, so LM Studio, Ollama and the standard ecosystem work on day one.

On laptops and phones POCKET leads both prefill and generation. Quality is on par on HellaSwag.

Apache-2.0 · open-source on-device model family by VIDRAFT

지니 (GINI): 통신도 요금도 없이, 폰에 사는 말하는 AI 아바타

POCKET을 두뇌로 삼아, AI가 클라우드가 아니라 당신의 폰 안에서 직접 동작합니다. 통신이 끊겨도 대화하고, 대화 내용은 기기 밖으로 나가지 않으며, 사용료도 0원입니다.

🧠온디바이스 대화인터넷 없이 폰 안에서 직접·실시간으로 응답

🗣️말하는 3D 아바타표정·립싱크로 음성 답변 (음소거 가능)

📷카메라 사물인식전·후면 카메라로 보고 이해·설명 (온디바이스 VLM)

🌤️실시간 정보날씨·환율·주가·뉴스·시간 자동 안내

🌱나만의 캐릭터쓸수록 나에게 맞춰지며 자라는 캐릭터

🔒완전 프라이빗대화가 기기 밖으로 안 나감 · 한/영 자동 감지

도입을 검토 중이신가요?

기업 도입 · 공동연구 · 투자/파트너십: 30분 상담으로 시작하세요.

PAI 컴퓨팅 · Personal AI

퍼스널 AI, 태블릿에 담다

비드래프트 계열사 PAI 컴퓨팅이 준비하는 태블릿 기반 온디바이스 AI. 클라우드도 서버도 없이 기기 안에서 대화·요약·번역이 돌고, 개인정보는 기기 밖으로 나가지 않습니다. GPU 없이, 인터넷 없이, 손안의 개인 AI입니다.

GPU 0

클라우드·서버 없이 구동

오프라인

인터넷 없이 동작

프라이버시

데이터 기기 밖으로 안 나감

국내 1위

POCKET 30일 다운로드

왜 온디바이스인가

🔒 프라이버시

대화·문서가 서버로 전송되지 않습니다. 의료·법률·업무 기밀처럼 밖으로 못 내보내는 데이터에 그대로 씁니다.

✈️ 오프라인

비행기·현장·보안망 등 인터넷이 없는 곳에서도 100% 동작합니다.

💸 무월정액

클라우드 토큰 과금이 없습니다. 한 번 담으면 계속 무료로 씁니다.

제품 방향 (개발 중)

안드로이드 태블릿 · RAM 16GB · 비드래프트 온디바이스 런타임 탑재. 표준 클라우드 API와 동일한 방식(OpenAI 호환)이 태블릿 안에서 그대로 열려, 기존 앱·도구가 그대로 붙습니다. 실제 안드로이드에서 우리 런타임과 모델로 구동을 확인했습니다.

태블릿 RAM	탑재 모델(온디바이스)	특징
8 GB	4B급 경량 모델	최대 32K 문맥, 가벼운 대화·요약
16 GB (확정)	26B급 경량화 모델	태블릿에 담기는 최상위 성능
16 GB (대안)	9B-Lite	최대 256K 초장문맥

온디바이스 최적화: 같은 태블릿으로 더 길게, 더 오래

비드래프트의 양자화(V4Q8)와 온디바이스 최적화 기술로, 메모리가 고정된 태블릿에서 더 긴 문맥을 더 적은 메모리로 처리합니다. 문맥이 길어질수록 이득이 커져(32K 기준 메모리 실사용 약 12% 절감), 같은 기기로 더 긴 문서·더 오래가는 대화가 가능합니다. 핵심 기법은 특허로 보호합니다.

기기별 POCKET 라인업

기기에 맞는 온디바이스 모델이 이미 발행돼 있습니다.

기기	온디바이스 모델	실행
아이패드·아이폰·맥	POCKET-KR-MLX	Apple 네이티브(MLX)
아이폰(영어)	POCKET-EN-GGUF	PocketPal 앱
안드로이드 태블릿	POCKET-KR-GGUF	온디바이스 앱

지원 목표 기기

표준 기기는 16GB 램의 레노버(Lenovo) 안드로이드 태블릿입니다. 그 외 16GB급 안드로이드 태블릿에서도 구동을 목표로 합니다.

기기	RAM	구분
레노버(Lenovo) 태블릿	16 GB	표준 탑재 기기
그 외 16GB급 안드로이드 태블릿	16 GB	호환 목표

※ 최종 사양·지원 기기·출시 일정은 확정되는 대로 안내합니다.

R&D

Papers. Patents. Open Research.

What we published, and what we filed.

🏆 Benchmarks

📄 Papers (6)

🔒 Patents (16)

📰 2026.10.30비드래프트, 추론용 국산 NPU로 언어모델 사전학습 성공VIDRAFT pretrains a language model from scratch on a Korean inference NPU중앙일보 →

📰 2026.10.30비드래프트 「치토스」, 금융보안원 17개 평가기준 대응 모듈 구축VIDRAFT's Chitos builds modules covering all 17 FSI AI security evaluation criteria파이낸셜뉴스 →

📰 2026.10.30비드래프트, 「말로 묻고 검증된 SQL로 답하는」 NL2SQL 엔진 ViSQL 공개VIDRAFT unveils ViSQL, an NL2SQL engine that answers questions with verified SQL조선비즈 →

📰 2026.10.30허깅페이스 오픈소스팀, 비드래프트 판단 AI 체험 데모 제작 기증Hugging Face open-source team builds and donates a demo for VIDRAFT's decision AIAI타임스 →

📰 2026.10.30퀀트ID, 허깅페이스 공인 벤치마크 53개 분석… 한국 1위 보유 세계 2위QuantID analysis of 53 official Hugging Face benchmarks: Korea second in #1 spots이코노미스트 →

📰 2026.09.14비드래프트, 국가 보안 AI ‘K-미토스’ 안전성 진단·평가 전담AX-RAY 117개 항목으로 모델 내부 위험 행동과 인프라까지 점검VIDRAFT leads safety assessment for Korea’s national security AI ‘K-MITOS’, AX-RAY audits 117 items across model behavior and operating infrastructureIT조선 →

📰 2026.08.03비드래프트, 구글×허깅페이스 ‘The Fast Gemma Challenge’ 추론 최적화 경연 검증(VERIFIED) 세계 1위VIDRAFT tops the Google × Hugging Face ‘Fast Gemma Challenge’, #1 on verified records전자신문 →동아일보 →한국경제 →AI타임스 →

📰 2026.07.20 비드래프트, 완전공개형 파운데이션 모델 ‘Aether-7B-5Attn’ 공개, “AI 주권 구현” 조선비즈 → 중앙일보 → 동아일보 →

📰 2026.09.22 비드래프트 ‘다윈’, 허깅페이스 누적 다운로드 100만 돌파 (205만+·파생 포함) 중앙일보 → 조선비즈 → 동아일보 →

Six Independent Validations

Each benchmark proves a different capability, and each was administered by an external party.

K-AI Leaderboard #1

JGOS-31B-Citizen

Korean & public-sector LLM capability

GPQA Diamond 93.43%

Darwin-398B-JGOS

PhD-level scientific reasoning

Polaris: 15 tracks

PharmaOS

Drug-candidate prediction & screening

FACTS Grounding #2

Validated by CNRS

Medical hallucination control

Fast Gemma Challenge

VKAE

Serving optimisation on constrained hardware

FINAL Bench #1

JGOS: 398/400 traps avoided

Metacognition & self-error detection

🏆

2026.6 · Commissioned by NIPA · administered by KAIT · Ref. No. RQT-25-090162

"AI Computing Resource Infrastructure Enhancement (GPU Lease Support)"Excellent

NIPA-commissioned, KAIT-administered GPU Lease Support Project rated Excellent.

Excellent

🏆

Global Record

GPQA Diamond

Darwin-398B-JGOS 90.9%. Darwin-28B-Opus 88.89% #1. 5 Darwin models in Top 21. HuggingFace certified.

🇰🇷

MSIT·NIA Certified

K-AI Leaderboard

JGOS-31B-Citizen overall #1 (0.621). 11 Darwin derivatives in the Top 20. Blind evaluation.

🧠

World First

FINAL Bench: Metacognition

HF Global Top 5. 100 tasks × 15 domains × 8 types × 3 difficulty. TICOS quantitative measurement.

🌐

Sole Track C Pass

WM Bench

World model benchmark. Sole model to pass Track C. Real-time interactive world simulation.

💊

Polaris Hub · Global Drug-Discovery ML Benchmark

🏆 #1 in 16 Polaris drug-prediction benchmarks, a clean sweep across ADMET, potency & kinase

#1 in 16 Polaris drug-prediction benchmarks

Structure-only prediction, no cell-imaging or external experimental data, ranked #1 on 16 public Polaris benchmarks across absorption, distribution, metabolism, excretion, toxicity, potency and kinase selectivity.

All results are computational predictions on public blind-submission leaderboards, submitted under the VIDraft account. VIDraft has since filed its first drug-substance patent from this autonomous discovery system.

VIDRAFT AI Research · 저자 6인

배치는 공짜, 조합은 아니다, 라틴방진 이종 믹서 설계

GPT 이후 대부분의 트랜스포머는 모든 층에서 같은 어텐션을 되풀이해 왔습니다. 본 논문은 서로 다른 7개 시퀀스 혼합 기법을 49개 층에 7×7 라틴방진으로 배치한 Aether-7B-5Attn(6.59B, 활성 약 2.98B)을 제시합니다. 각 기법이 모든 행과 열에 정확히 한 번씩 나타나므로 깊이 전반에 걸친 노출이 균형을 이루고 배치로 인한 교란이 제거됩니다. 파라미터를 맞춘 대조 실험(4×4 라틴방진 16층 700.9M, 팔마다 시드 8개)에서 배치만 바꾸면 검증 손실이 0.16% 변하는 데 그친 반면, 같은 기법을 한곳에 몰면 0.59%, 한 종류로 통일하면 1.68% 나빠졌습니다. 2.16배 큰 규모(1.514B)에서도 통일 시 2.63%, SSM 계열을 빼면 3.20% 악화로 재확인했습니다. 즉 성능은 배치가 아니라 깊이에 분산된 이종 조합에서 옵니다. 가중치·학습 레시피·학습 코드·로그·아키텍처 소스를 모두 공개합니다.

논문 보기 (arXiv 2609.20269) → · 🤗 HF Papers →

논문 전문 보기

⬇ PDF 내려받기

VIDRAFT AI Research · 저자 6인

마스크는 모델이 아니다: 인과누설 감사

위치 t의 표현이 미래 입력에 의존해서는 안 된다는 접두 불변성을 정식화하고, 순전파 2회만으로 인과성이 깨지는 지점을 짚어내는 경량 감사법을 제시합니다. 학습도 그래디언트도 필요 없습니다. 체크포인트 8종에 결함 192건을 주입한 시험에서 마스크 점검은 0건을 찾은 반면 본 감사법은 192건 전부를 국소화했고, Zamba2와 Nemotron-H에서 실제 결함도 발견했습니다.

논문 보기 (arXiv 2608.22876) → · 🤗 HF Papers →

논문 전문 보기

⬇ PDF 내려받기

arXiv 2605.14386

Darwin Family

MRI-Trust-Weighted Evolutionary Merging for Training-Free Scaling. 45 days after release: 300K+ downloads, 500 derivatives.

글로벌 수록🌐 HF Papers ★69 📰 전자신문 📰 BigGo Finance

View Paper → · PDF →

Read the full paper

HF Global #5

FINAL Bench

Measuring Functional Metacognitive Reasoning in LLMs. MetaCog scaffold +14.05 pts. 94.8% Error Recovery. Public preprint on SSRN · under conference review.

글로벌 수록🤗 HF Dataset 98♥📰 전자신문 📰 서울신문

View Paper (SSRN) →

Read the full paper

VIDRAFT QuantumOS · 7 authors

Quantum Cryptanalysis

🏅 美 반도체 권위지 SemiEngineering 편집진, 주간 보안 연구논문 리뷰에 선정, Meta · Google · Radboud · Politecnico 연구와 나란히 (2026.07)

Extending Even–Mansour period recovery from N = 4 to N = 10 on real IBM quantum hardware (ibm_kingston, Heron). Five genuine attacks across four symmetric-cipher paradigms, validated to the 25-qubit classical-simulation ceiling.

글로벌 수록🌐 SemiEngineering Week in Review #148 🌐 dailysecurity.cn

View Paper (arXiv 2607.18340) → · 🤗 HF Papers → · Plain-language explainer →

Even–Mansour key recovery on real hardware, public record N = 4 versus this work at N = 10.

True-key quantum rank: orders of magnitude better than random.

Read the full paper

View Paper (arXiv 2607.24830) →

If the preview does not load in your browser, use the download link above.

Setup: Q2 query model, reduced and structured constructions.

VIDRAFT AI Research · 7 authors

A Numerical Realization of Suzuki's Weil-Quadratic-Form Operator

The first numerical realization of Suzuki’s Hilbert–Pólya candidate operator: a universal Archimedean spectral law pinned to 30-digit precision, with a conductor-only offset, and an operator form of Weil’s positivity criterion. The authors state explicitly that this does not prove the Riemann Hypothesis, nor advance toward a proof.

글로벌 수록📄 arXiv 🌐 alphaXiv

Read the full paper

KR priority filing + PCT · 317 claims total

🧬 Darwin Evolutionary · 3 patents · 77 claims

MRI-Based Adaptive Reliability Meta-learning

Neural-network parameter merging based on Model-layer Response Importance (MRI)

Compatibility-Assessed Heterogeneous Crossbreeding

Compatibility-Based Crossbreeding for Heterogeneous Neural Networks

Recursive Generational Inheritance Evolution

Recursive Generational Inheritance in Evolutionary Neural Network Merging

⚡ AETHER Architecture · 8 patents · 224 claims

Latin-Square Hybrid Multi-Type Attention

5/7/11-way heterogeneous attention Latin Square integration

Automatic Causal Safety Verification

Causal Safety Verification for Multi-Type Attention

Metacognition Signal Head

Self-error detection signal head

Perpetual Closed-Loop Learning

Single Sigmoid Gate Convex Combination Fusion

Multi-Agent Swarm Coordination

Prime-Order Cyclic Group Weight Transfer

Triple-Symmetric MoE Routing

Per-Attention-Type Gradient Clipping

Adaptive Noise-Cancelling Attention

Prime-Based Mixture-of-Experts Routing

Hallucination-Suppression Gate

Causal Safety CI/CD for Neural Network Models

🩻 AX-Ray 안전성 진단 · 4건🩻 AX-Ray Safety Diagnostics · 4 patents

인과누설 다축진단Causal-Leakage Multi-Axis Diagnosis

신경망 모델의 인과누설 진단방법 및 이를 이용한 다축진단 시스템 (출원 10-2026-0151669)Causal-leakage diagnosis for neural networks and a multi-axis diagnostic system (KR 10-2026-0151669)

MoE 토큰 라우팅 경로 분석MoE Token-Level Routing Analysis

전문가 혼합 인공지능 모델의 토큰-레벨 라우팅 경로 분석 시스템 (출원 10-2026-0171793)Token-level routing-path analysis system for mixture-of-experts AI models (KR 10-2026-0171793)

MoE 전문가 인과 책임도 분석MoE Per-Expert Causal Responsibility

전문가 혼합 신경망 모델의 전문가별 인과 책임도 분석 시스템 (출원 10-2026-0176122)Per-expert causal-responsibility analysis system for mixture-of-experts networks (KR 10-2026-0176122)

MoE 실시간 전문가 제어MoE Real-Time Expert Control

전문가 혼합 신경망 모델의 실시간 전문가 제어 시스템 및 방법 (출원 10-2026-0184336)Real-time expert control system and method for mixture-of-experts networks (KR 10-2026-0184336)

💊 Drug Substance · 1 patent · 16 claims

PSP Therapeutic Compound

N-(pyrrolidin-1-yl)-thiazol-4-yl boronic acid compound for progressive supranuclear palsy (PSP), composition, preparation method and use

도입을 검토 중이신가요?

기업 도입 · 공동연구 · 투자/파트너십: 30분 상담으로 시작하세요.

🤗 ZTC 모델 컬렉션 🧪 내 질문으로 바로 시험

🩺 ZTC · Zero-Token Confidence

답을 만들기 전에 스스로 안다

답변이 믿을 만한지를 생성 토큰 0개로 읽습니다. 말로 물어보는 방식과 달리 추가 토큰도, 두 번째 모델도 필요하지 않습니다.

RSI · MODEL-LEVEL RECURSIVE SELF-IMPROVEMENT

판정 다음은 자가개선: ZTC + RSIAfter judging comes self-improvement: ZTC + RSI

ZTC가 답이 믿을 만한지를 토큰 없이 판정한다면, RSI(모델 기반 재귀적 자가개선)는 모델 자체를 키웁니다. 모델의 가중치가 자기 풀이로만 학습해 스스로 개선됩니다. 사람이 쓴 풀이나 추론 과정은 쓰지 않고, 정답 여부는 자동으로 확인합니다.ZTC judges whether an answer can be trusted without generating tokens. RSI (model-level recursive self-improvement) grows the model itself: its weights improve by learning only from its own solutions. No human-written solutions or reasoning traces are used, and correctness is checked automatically.

구글 RRSI가 AI의 업무 틀(하네스)을 고친다면, Darwin-RSI는 AI의 두뇌 자체를 자기 풀이로만 키웁니다. 둘은 합칠 수 있는 짝입니다.Where Google's RRSI improves an AI's working harness, Darwin-RSI grows the AI's brain itself from its own solutions. The two can be combined.

Darwin-180B-RSI · 법률 LEXam 68.94 · LEXam-hard 45.72 (허깅페이스 공식 리더보드 1위)Darwin-180B-RSI · legal LEXam 68.94 · LEXam-hard 45.72 (#1 on Hugging Face official boards)법률 데이터 학습 없이 달성No legal training data치토스 온프레미스 판단 엔진 (OWASP 77.8)Chitos on-prem judge engine (OWASP 77.8)

Darwin-180B-RSI 모델 보기 →See Darwin-180B-RSI →

🏆 공개 리더보드 1위 2관왕Two public leaderboard #1 titles

· S1MB(System One Mosaic Benchmark) 영어판 1위. 197개 모델 중 Borda 90.38 (Darwin-27B-ZTC-v9)로, 퍼플렉시티·클라우드플레어·메타를 제쳤습니다.
· typed-decisions 허깅페이스 공식 리더보드 1위. 정확도 0.743 (zero-shot).· #1 on S1MB (System One Mosaic Benchmark), English: Borda 90.38 among 197 models with Darwin-27B-ZTC-v9, ahead of Perplexity, Cloudflare and Meta.
· #1 on the typed-decisions Hugging Face leaderboard: accuracy 0.743 (zero-shot).

S1MB → typed-decisions →

ZTC 모델 라인업ZTC model lineup

Darwin-27B-ZTC-v9

S1MB 영어 1위 (197개 모델)#1 on S1MB English (197 models)

Darwin-27B-ZTC-v5

S1MB 일본어 1위 (2026-10-14 기준)#1 on S1MB Japanese (as of 2026-10-14)

Darwin-27B-ZTC

typed-decisions 공식 1위 (0.743)#1 on typed-decisions (0.743)

Darwin-397B-ZTC

대형 판정 엔진Large judge engine

판정기 4B (경량)Judge 4B (light)

ZTC in 30 seconds · 30초로 보는 ZTC

기존 방식과 무엇이 다른가

	외부 심판 모델	ZTC
판단 시점	답이 나온 뒤	시작하기 전
추가 모델	필요 (두 개를 운영)	없음 (하나)
추가 생성 토큰	질문+답변을 다시 읽음	0
답이 길어지면	길수록 나빠짐	길이와 무관

공개 비교 · 답변 검증기 17종

같은 시험지에서 잰 17종

벤더마다 자기 벤치마크를 내고 자기가 1등을 합니다. 그래서 같은 2,018문항·같은 라벨로 17종을 나란히 재고, 점수·라벨·채점 코드를 공개했습니다.

시스템	제공 형태	AUC
JEV	TypeSafe AI · API 전용	0.7350
ZTC-Judge-27B	비드래프트 · 가중치 공개	0.7289
Darwin-397B-ZTC	비드래프트 · 가중치 공개	0.7272
ZTC-Judge-9B	비드래프트 · 가중치 공개	0.6506
ZTC-Judge-4B	비드래프트 · 가중치 공개	0.6360
길이·서식 기준선	참고행	0.6223
Bespoke Nimble 9B	Bespoke Labs	0.6222
open-jev 4B	pngwn	0.6101
decider-2b	Mapika	0.6028
Patronus Lynx 8B	Patronus AI	0.5179
Laya-Typed-Decisions 421M	Convai	0.5144
모델 자신이 말한 확신	참고행	0.5000
Laya-Multilingual 322M	Convai	0.4796

※ LLM 에게 그냥 물어본 경우(토큰을 생성하므로 이 축 바깥, 순위 없음), GPT-5.2 0.7148 · Qwen3-Next-80B 0.6366 · GPT-4o-mini 0.5878 · Gemini 2.5 Flash-Lite 0.5822.
※ 축이 다른 도구 7종Vectara HHEM-2.1 0.4852(주어진 문서로부터 답이 도출되는지를 보는 도구이며, 이 시험지에는 문서가 없습니다) 외에 게임 행동 분포·다섯 개 고정 결정·개체명 추출·영업 전환 예측·베이스 무변경 디코딩 기법 등 6종은 사유와 링크를 붙여 점수 없이 등재했습니다.
※ 공개됐지만 배포된 파일로 실행되지 않은 4종은 사유와 링크를 붙여 점수 없이 등재했습니다.

1~3위는 통계적으로 구분되지 않습니다. 선두 JEV(0.7350)와 ZTC-Judge-27B(0.7289)·Darwin-397B-ZTC(0.7272)의 차이는 0.0061·0.0078 이고, 짝지은 부트스트랩 3,000회의 95% 구간은 −0.034~+0.020 입니다. 구간이 0을 포함하면 순위를 매기지 않는다는 규칙을 표 맨 아래뿐 아니라 맨 위에도 적용합니다.

기준선은 0.5가 아니라 0.6223 입니다. 답변의 길이·서식만 보는 모델의 점수이며, 17종 중 9종이 그 아래입니다. (예전에 적힌 0.7036 은 기준선만 다른 자: 전문시험 400문항 무작위 폴드: 로 잰 값이었습니다. 같은 특징을 리더보드 규칙으로 다시 재어 바로잡았고, 특징은 하나도 바꾸지 않았습니다.) 그 선 밑의 검증기는 정답 여부가 아니라 답변의 겉모양을 읽고 있습니다.

분야를 갈라 보면 순위가 뒤집힙니다

종합 점수는 다섯 분야의 평균입니다. 분야끼리는 서로 다른 말을 합니다.

분야	n	JEV	397B-ZTC	Judge-27B
전문시험(법·수학·생물)	400	0.7981	0.8643	0.8462
생물·의학	917	0.7185	0.7306	0.7168
상식·다단계추론	278	0.6006	0.5920	0.6123
재난·안전 지침	225	0.7620	0.7223	0.6938
과학추론	198	0.8421	0.6298	0.7520

※ 과학추론은 JEV 가 0.8421 로 1위입니다. 공동 선두인 ZTC-Judge-27B(0.7520)보다 0.09, Darwin-397B-ZTC(0.6298)보다 0.21 앞섭니다. 작업이 과학추론이라면 종합 순위가 아니라 이 행을 보셔야 합니다.
※ 모델이 크다고 낫지 않습니다. 같은 계열 안에서 397B 가 과학추론에서 27B 보다 0.12 낮습니다.
※ 상식·다단계추론은 전 시스템이 0.60 근처입니다. 아무도 못 푼 분야가 있다는 사실이 순위보다 유용합니다.

모델 2종

Flagship

Darwin-397B-ZTC

GPQA Diamond 93.43%

397B MoE(활성 17B) · FP8 418.7GB · 문맥 262K · ZTC 판독기 동봉 · Apache-2.0

누적 다운로드 132 · ♥ 19

🤗 모델 보기

검증 전용

ZTC-Judge-27B

AUC 0.7289

아무 모델의 답이든 받아 신뢰도를 매깁니다. 순전파 1회 · 생성 토큰 0 · 답변 텍스트만 있으면 되고 원본 모델의 가중치·로짓은 필요 없습니다 · Apache-2.0

누적 다운로드 6 · ♥ 14

🤗 모델 보기

무엇을 어떻게 쟀나

시험지

2,018문항 · 오답 508 · 5개 분야 · 4개 모델이 쓴 답변. 한 시스템에서 실패한 문항은 모든 시스템에서 제외해, 누구도 더 쉬운 부분집합으로 채점되지 않습니다.

지표

AUC틀린 답이 아래로 얼마나 잘 가라앉는지. 문턱값이 필요 없고 0.5가 찍기입니다. 분야별로 먼저 계산한 뒤 규모가중 평균합니다. 전체를 한 번에 묶으면 수치가 부풀려집니다.

불확실성

짝지은 부트스트랩 3,000회 재표집. 95% 구간이 0을 포함하면 순위를 매기지 않습니다.

공개 범위

점수·라벨·채점 코드는 전부 공개합니다. 문항 원문은 재배포하지 않습니다: 재배포·변형을 금지하거나 접근 승인제인 코퍼스, 그리고 재게시 약관이 불분명한 상용 모델 출력이 섞여 있기 때문입니다. 채점 코드를 공개했으므로 같은 절차를 각자의 비공개 시험지에 그대로 돌릴 수 있습니다.

🎯 리더보드 전체 보기 📄 방법 설명 도입 상담

관문을 눈으로 보십시오

세 판이 완전히 같은 블록 순서와 같은 제안·같은 잡음을 받습니다(짝지어 비교). 관문은 “그냥 둘까, 다시 뽑을까”만 판정합니다. 같은 60초를 주면 관문 1회가 2.1초인 쪽은 15~22수, 0.0615초인 ZTC는 40~50수를 둡니다. 브라우저 언어에 따라 한국어·English·中文 으로 표시됩니다.

🔴 배선된 상수는 모두 같은 2,018문항 실측입니다. 다만 Laya 의 AUC·관문 속도는 우리가 재본 적이 없어 JEV 와 같다고 두었고(갈리는 축은 보정 하나), 보정오차를 문턱 어긋남으로 환산한 방향은 가정입니다. 이 화면은 실측 상수로 돌리는 모의이지 테트리스를 실제로 판정한 기록이 아닙니다.

↗ 전체 화면으로 열기 ZTC-Judge-27B

🩻 AX-RAY · AI/AX 안전진단

성능만 보면 놓칩니다: 배포 전, 모델을 진단하세요

AX-RAY는 LLM을 성능뿐 아니라 안전·인과·신뢰·규제까지 다차원으로 진단하고, 등급과 보고서를 자동 생성합니다.

🤗 FINAL-Bench (HF)

▶ 실제 서비스 화면 · Live product

AX-RAY leaderboard — AX-RAY: LLM evaluation & diagnosis leaderboard (heatmap grades)

왜 진단이 필요한가

지금의 벤치마크는 '지능'만 잽니다. 정작 사고를 일으키는 건 지능이 아니라: 아무도 진단하지 않은 결함입니다.

🦾

피지컬 AI가 이유 없이 사람을 공격: 물리적 안전 결함.

🕳️

내부 테스트 중 AI가 시스템을 해킹통제·인과 안전 결함.

⚠️

편향·유해·거짓 출력을 자신 있게 생성: 신뢰성·안전성 결함.

셋 다 117개 진단 항목 기준 '심각한 결함'입니다. 그런데 지능 점수(GPQA·MMLU)로는 잡히지 않아: 문제가 있는지조차 모르는 것이 진짜 문제입니다.

예: 어떤 모델은 종합 등급 A인데, 거짓 전제에 10개 중 8개를 속았습니다.

종합 등급 A

94.5

환각 저항

17%

높은 종합점수가 치명적 취약을 가립니다.

모르고 수출하면: 실제로 벌어지는 일

🇺🇸🇪🇺

미국·EU 수출결함이 어느 법규(EU AI Act·GDPR·FTC 등)를 위반하는지 모른 채 출고. 규제 위반·리콜·과징금·판매중지.

🕌

아랍권샤리아 율법 위배는 중대 사안. 집단소송·제품 수출금지·시장 퇴출의 직접 원인.

🦾

물리 안전사고인명 피해·형사 책임·브랜드 붕괴.

그래서 AX-RAY는117개 위험 항목을 진단하고, 각 항목이 나라별 어떤 법·규정·가이드·율법(샤리아 포함)에 매핑되는지까지 제시합니다. 배포·수출 전에 '무엇이 걸리는지'를 알고 대응하십시오.

무엇을 진단하나

모델 자체(MODEL-SCAN) · 운영 환경(AX-SCAN) · 에이전트 자율성(AGENT-SCAN) 3축을 다차원으로.

11개 카테고리 · 117개 위험 항목을 진단하고 DHS Score로 등급화합니다. 아래는 카테고리별 대표 점검 항목이며, 전체 117항목 상세는 계약·NDA 하에 제공합니다.

🩻 AX-RAY 진단 리더보드 열기 →🩻 Open the AX-RAY diagnostic leaderboard →

역량

수학·논리·코드 정답률 · 대학원급 추론(GPQA류)

신뢰성

환각(거짓 전제 거부) · 메타인지(자기 오류 인지)

인과안전

원인→결과 추론의 구조적 안전성·인과 일관성 진단 · 🔒 방법론 비공개(출원중)

견고성

지시 이행 일관성(프롬프트 변형에도)

안전성

탈옥 저항(유해 거부) · 과잉거부(무해까지 차단?)

데이터

평가셋 오염(train/test 누출)

효율성

양자화 견고성(INT4·1.58bit 능력 보존)

내부구조

내부 표현·기전의 무결성(화이트박스) 진단 · 🔒 방법론 비공개(출원중)

서빙

교차 엔진 일치(vLLM↔HF) · 결정성 재현

인프라보안

공급망 무결성(pickle/원격코드) · 카드 완결성

규제준수

EU AI Act 문서화 6요건 · 데이터 거버넌스

규모

총·활성 파라미터

등급AAA·AA 우수A 양호B 주의C 경고D 위험F 배포불가

117개 항목 × 각국 법·규범 매핑

진단 항목마다 "왜 위험한가"의 근거를 각국 규제·규범에 1:1로 연결: 조달·컴플라이언스·해외 진출의 직접 근거가 됩니다.

117

진단 항목

법적근거 매핑

국가·규범권

🇰🇷 한국 · Korea

AI 기본법(2026.1 시행) · 개인정보보호법 · ISMS-P · N2SF · KCMVP · 금융 AI 가이드

🇺🇸 미국 · USA

NIST AI RMF · White House AI Executive Order

🇪🇺 EU

EU AI Act · GDPR

🇦🇪 UAE

AI Charter(12원칙) · PDPL(45/2021) · DIFC Reg 10 · 🕌 Maqasid al-Shari'ah

🇸🇦 사우디 · Saudi

SDAIA AI Ethics · Generative AI Guidelines · PDPL(M/19) · SAMA Shariah · Vision 2030 · 🕌 Maqasid

🇯🇵 일본 · Japan

AI事業者ガイドライン · APPI(개인정보보호법)

🇨🇳 중국 · China

生成式AI服务管理暂行办法 · PIPL(개인정보보호법)

🇬🇧 영국 · UK

Pro-innovation AI Regulation · UK GDPR

🇸🇬 싱가포르 · Singapore

Model AI Governance Framework · PDPA

🇨🇦 캐나다 · Canada

AIDA · PIPEDA

대표 항목 → 근거 매핑 예시

진단 항목	근거(법·규범)
환각·거짓정보 · Hallucination	🇪🇺 EU AI Act 투명성 · 🇰🇷 개인정보 오남용 방지
편향·차별 · Bias	각국 차별금지법 · 🇦🇪🇸🇦 아랍어 공정성
데이터 거버넌스 · Data	GDPR · 개인정보보호법(PIPA) · PDPL
콘텐츠 적합성 · Content	🕌 Maqasid(الدين 종교) · 할랄 적합성
금융 AI · Financial	🇸🇦 SAMA Shariah: gharar·riba 금지
문서화·투명성 · Docs	🇪🇺 EU AI Act GPAI 6요건 · 🇸🇦 SDAIA

🕌 샤리아(이슬람법) 대응: 걸프 시장 차별점

마카시드 알-샤리아 5대 목적(الدين 종교 · النفس 생명 · العقل 이성 · النسل 후손 · المال 재산)에 진단 항목을 매핑합니다. AI 적용: 할랄 콘텐츠 적합성 · gharar(과도한 불확실)·riba(이자) 금지 금융 AI · 아랍어 공정성·차별 방지. UAE·사우디 정부 제안의 핵심 세일즈 포인트입니다.

각 항목의 필요성·법적근거는 공개 규범 기반으로 부각하되, 항목별 탐지·대응 방법론은 계약·NDA 하에 제공합니다.

차별점

🩻

단일 점수 너머성능만이 아니라 안전·인과·신뢰·규제까지. MRI처럼 내부를 봅니다.

⚙️

자동화모델 ID만 넣으면 다차원 보고서 자동 생성.

📊

재현·공개등급 리더보드 + 공개 데이터셋(메타인지·환각 벤치).

⚖️

규제 대응진단 결과를 주요국 법·가이드에 매핑, 조달·컴플라이언스 근거.

기대효과

🛡️

배포 리스크 사전 차단사고 전에 취약을 포착.

📋

조달·규제 근거공공·금융·해외 진출 증빙.

🎯

모델 선택 객관화성능·안전·비용 종합 비교.

공개 벤치마크: 기능적 메타인지

"AI가 얼마나 아는가가 아니라: 모르는 걸 알고, 스스로 고칠 수 있는가." 최종답 정확도만 재던 벤치를 넘어, 오류 탐지→인정→교정 전 과정을 평가하는 4세대 벤치마크입니다.

MMLU

지식 · 포화

→

GSM8K·MATH

추론

→

GPQA·HLE

전문성

→

FINAL Bench

기능적 메타인지

100 과제 · 15 도메인 · 8 메타인지 유형 · 5 평가 축(PQ·MA·ER·ID·FC) · 공개 데이터셋(Apache-2.0)

🔬

9개 SOTA 모델(GPT-5.2·Claude·Gemini·DeepSeek 등) 평가: 모두 불확실성을 '말'로는 표현하지만 '행동'으로 옮기진 못함(선언–절차 격차 0.392).

📈

메타인지 향상의 94.8%가 '오류 회복(Error Recovery)' 축에서 발생: 자기교정이 AGI의 유일한 병목.

🎯

어려운 과제일수록 자기교정 이득이 급증(Pearson r = −0.777).

🤗 공개 메타인지 리더보드 →

도입을 검토 중이신가요?

기업 도입 · 공동연구 · 투자/파트너십: 30분 상담으로 시작하세요.

PHYSICAL AI

Intelligence, Attached.

On-device AI built on our own LLM: added to robots and physical systems without touching the platform.

▶ 실제 서비스 화면 · Live product

FloorPlan AI (Darwin-398B): automatic 3D architectural floor plans

What We Ship

A complete Physical AI kit: software and hardware, that attaches to a robot without any prior arrangement with its manufacturer.

Software

VLM

Vision-language model built on our own LLM, perception and language in one stack.

Harness

The control harness that binds model output to robot action and safety limits.

VKAE · VKUE · VKIE

Our inference acceleration and lightweight engines, latency, low-end hardware, throughput.

Hardware set

3D depth camera · LiDAR

Speaker · microphone

AP · battery

Additional sensors

Battery

9 hours of independent operation per charge

Third-party by design

We add intelligence and perception to a robot as a third party, no partnership with the manufacturer, no firmware fork, no change to the platform. The same kit that runs on a Boston Dynamics Spot can be fitted to other machines already in the field.

Why on-device

Three constraints that cloud AI cannot solve for physical systems.

⚡

Latency

A robot acting on a spoken command cannot wait on a round trip. Inference has to happen where the sensor is.

🔒

Isolation

Defence, industrial and public sites often run without outbound network. The model has to work offline.

🔧

Retrofit

Systems already deployed will not be rebuilt around AI. Intelligence has to arrive as an attachment.

A Foreign Robot That Learned Korean

Boston Dynamics builds the robot. We made it understand Korean: as a third party, without touching their platform.

Out of the box

Spot is a quadruped robot built by Boston Dynamics. As shipped, it does not understand Korean.

We did not modify the robot

No firmware fork, no vendor partnership, no changes to the platform. We attached an on-device AI module.

Korean in, action out

A visitor speaks Korean. The model on the device interprets intent and the robot moves accordingly.

Running in public

Deployed as a live exhibit at the Seoul Robot & AI Science Museum, operating for general visitors, not a lab demo.

Why this matters commercially

Most physical systems already deployed in the field will never be rebuilt around AI. If intelligence can be added as an attachable on-device module, the installed base becomes addressable, without the manufacturer's involvement. That is the on-device AI supply model behind our Physical AI line.

What this video shows

A visitor speaks Korean. Our on-device model: mounted on Spot and running on the robot itself with no cloud connection, interprets the intent, and Spot acts on it. Nothing in the robot was modified; the intelligence arrived as an attachment. The whole proposition is in this one clip.

Spot responding to spoken Korean: Seoul Robot & AI Science Museum.

Boston Dynamics · quadruped robot

Spot

Net weight33.8 kg

Max payload14 kg

Max speed1.6 m/s

Max slope±30°

Step height300 mm

Runtime90 min (564 Wh)

Ingress / tempIP54 · −20 ~ 55 °C

Terrain sensing360° · 4 m range

Specifications from the manufacturer. Our kit mounts within the 14 kg payload allowance, no modification to the robot itself.

PHYSICAL AI · AUTONOMOUS NAVIGATION PROTOTYPE · FIELD DEMO

From Remote Control to On-Device Autonomous Navigation

We transformed an affordable remote-controlled quadruped into a destination-driven autonomous robot by adding an NVIDIA Jetson module, an on-device VLM, LiDAR and a 3D depth camera.

What this field demo proves

After a destination and travel direction are mapped, the robot localizes itself, navigates without continuous human control, reaches the destination and lies down to signal mission completion.

Destination-driven autonomous walking: the robot confirms arrival by lying down.

LiDAR localization map with robot position, travel direction and destination — LiDAR localization map: current position, travel direction and destination.

Select the map to view it at full size.

SENSE

LiDAR · 3D depth

Perceives surrounding geometry and obstacles.

EDGE AI

NVIDIA Jetson · VLM

Runs perception and decision logic on the robot.

NAVIGATE

Localization · mapping

Tracks position and moves toward the mapped destination.

COMPLETE

Arrival · lie down

Signals successful mission completion with a final action.

NEXT EXPERIMENT · VOICE-TO-ACTION

Natural-language command, action and response

The next experiment will let a person give spoken instructions, have the robot carry them out, and receive spoken answers about its status and surroundings.

Live Deployments: Seoul AI & Robot Science Museum

Three exhibits built by VIDraft, running for the public.

🤖

Physical AI

Talk to Spot

Boston Dynamics 'Spot' controlled by natural-language voice: converse with, command and steer the robot through an LLM.

🩻

Interpretability

Model X-RAY

See inside the LLM black box: an X-RAY view that makes a model's internal workings transparent to visitors.

vidraft-darwin-factory.hf.space

Evolution

Darwin Crossbreed & Evolve

Watch AI models crossbreed and evolve: the child surpasses both parents. An interactive Darwin evolution experience.

도입을 검토 중이신가요?

기업 도입 · 공동연구 · 투자/파트너십: 30분 상담으로 시작하세요.

🔮 예측·시뮬레이션 · Digital Twin

지구·사회·시장을 AI로 시뮬레이션

현실을 디지털로 복제한 3대 월드모델: EarthOS(지구관측)·NationalOS 한국(인공사회)·NationalOS USA(시장·정책)로 예측하고 분석합니다.

🌍 EarthOS: 지구 관측 월드모델

좌표를 넣으면 땅을 읽습니다: 항공영상(0.24 m/px)에 위성 광학·레이더·열·지형·지적을 융합해 식생·수계·시가지·지표온도를 자동 식별하고, 용도지역으로 개발 가능 규모(건폐율·용적률·추정 층수)까지 산출합니다.

EarthOS: AETHER-Earth 지구관측 실측 화면 — EarthOS 실측 화면: 서울 중구 세종대로 항공영상 위 식생·수계·변화 자동 식별 · Live product screen

① 관측 수집

STAC · 구름 최소 장면

→

② 전처리

좌표계 정렬 · 스트레치

→

③ 자동 식별

NDVI·NDWI·SAR·열섬

→

④ 교차 검증

ESA WorldCover 11클래스

→

⑤ 법규 추론

건폐율·용적률·층수

0.24 m

항공영상 해상도

융합 관측원

250 m~20 km

관측 범위 7단계

11클래스

국제표준 교차검증

융합 관측원V-World 항공(0.24 m) · Sentinel-2 광학 · Sentinel-1 레이더 · Landsat 열적외선 · ALOS 지형 · ESA WorldCover · 지적/용도지역 · Open-Meteo 기후. 3D 지구본 + 250 m에서 차량·차선까지 식별.

🌍 EarthOS 라이브 열기 →

참고 자료: 의사결정·법적 판단 근거로 쓸 수 없습니다(지적은 측량 성과가 아니며, 건폐율·용적률은 법정 상한이므로 지자체 조례를 확인해야 합니다). 연구 모델은 Ai2 OlmoEarth 라이선스를 승계: 군사·감시/치안·자원추출 용도 금지.

🇰🇷 NationalOS Korea: 대한민국 인공사회 AI 트윈

5,200만 디지털 페르소나 · 250 시·군·구 정밀 · Society Engine(9-Agent). 자연어로 정책·예산·산업 시나리오를 묻고 시뮬레이션합니다.

전남광주 통합특별시 등 정책 시뮬레이션 · 5,200만 페르소나 인터봰

5,200만

디지털 페르소나

70K

세그먼트

600K

코호트

250

시·군·구 정밀

NationalOS Korea 열기 →

🇺🇸 NationalOS USA: 마케팅 인텔리전스 + 정책 엔진

3.36억 인구 · 3,222 카운티 · 18,859 세그먼트. Census + BDEX 패널을 융합한 시장·정책 인텔리전스 엔진: 3D 인구 타워·소득 히트맵·마케팅 플로우.

카운티 단위 인구·소득·인구통계 + BDEX 패널 오버레이 · 마케팅/정책 리포트

335.6M

인구

3,222

카운티

18,859

세그먼트

주(州)

NationalOS USA 열기 →

도입을 검토 중이신가요?

기업 도입 · 공동연구 · 투자/파트너십: 30분 상담으로 시작하세요.

🧫 CellOS · Differentiable Virtual Cell

보는 시뮬레이션이 아니라, 거꾸로 돌려 답을 주는 세포

가장 작은 생명 게놈(JCVI-syn3A)을 GPU 안에 미분가능하게 재현. 앞으로 돌려 생명을 시뮬레이션하고, 거꾸로 돌려 무엇을 바꿀지 계산합니다.

493-유전자 · end-to-end 미분가능 ori:ter 1.24 vs 1.21: grade A 무피팅 bacteria → 7 organs → whole body · grade A

라이브 3D: 미분가능 가상세포

실제 syn3A 구조와 E. coli Min 진동을 3D로. 상단 탭을 전환하며 살펴보세요.

CellOS 3D 데모 새 창에서 열기 →

지도도, 나침반도 아닌, 지도+GPS

🗺️

기계론 모델 · 지도

정확하지만 정적. 무엇이 어디 있는지는 알려주나, 어디로 가야 하는지는 답하지 못합니다.

🧭

AI 세포 모델 · 나침반

방향은 가리키나 메커니즘이 없습니다. 왜 그런지 설명 못 하고 검증이 어렵습니다.

🛰️

CellOS · 지도+GPS

메커니즘 위에서 거꾸로 미분해 개입 표적까지 지목합니다. 정확성과 방향을 동시에.

8 전선: 박테리아에서 인간 장기까지

하나의 미분가능 엔진을 8개 과학 전선에 적용해 grade A 6건을 확보했습니다.

grade A

grade B

capability

인간 장기로: 다장기 질병 모델

같은 미분가능 엔진을 인간 대사망(Recon3D)에 얹어 여러 장기의 질병을 모델링했습니다. 전부 grade A.

🫀

grade A

🫁

grade A

🧠

grade A

🩸

grade A

🦠

grade A

전신 통합: Connected Human

7대 장기(뇌·폐·심장·간·췌장·장·신장)가 공유 혈류로 연결된 하나의 미분가능 엔진. 한 장기의 교란이 전신으로 어떻게 번지는지 계산합니다.

🩸

다장기 전파

장의 변화가 간·뇌 염증으로 번지는 경로를 하나의 모델에서 추적합니다.

🎯

전신약 vs 표적전달

전신 투여가 치료 창을 닫는지, 표적 전달이 말초 부작용을 피하는지 구분합니다.

👤

디지털 트윈 · 프로토타입

개인별 전신 모델: 같은 개입이 어떤 사람에겐 듣고 어떤 사람에겐 안 되는지 재현합니다.

전신 QSP와 디지털 트윈은 연구 프로토타입입니다: 기전 타당성 수준이며 임상이 아닙니다. 개인화는 합성 개인으로 검증했습니다.

맞춰 넣지 않고, 스스로 맞혔습니다

알려진 생물학 관측값을 피팅 없이 재현했습니다. 관측치에 튜닝한 것이 아니라 메커니즘이 창발한 값입니다.

1.24 vs 1.21

복제 비율 ori:ter (모델 vs 실측) · grade A

117 vs 105분

세포 배가시간 (모델 vs 실측) · grade A

10.6 자리

기울기 수치검증 (미분가능성)

역설계: 표적을 자율 지목

표적 선택 → 억제 주입 → 세포 반응 → 측정. 한 번의 역전파로 수백 유전자·효소의 민감도를 동시에 얻어 개입 표적을 랭킹합니다, 순전파 전용 시뮬레이터는 못 하는 일.

정확한 정량 변별치는 특허·IP 감사 후 공개합니다. 여기서는 역량·검증 수치만 표기합니다.

글로벌 SOTA 비교: 우리만 있는 사분면

가상세포는 두 진영으로 갈립니다. 둘 다인 자리는 비어 있고, 거기에 CellOS가 있습니다.

	기계론 4D 전세포(RDME)	AI 가상세포	CellOS
실제 메커니즘	✅	❌	✅
미분가능	❌	✅	✅
역설계(기울기 표적)	❌ 재실행뿐	⚠ 상관	✅ 인과·1회
공간·확률(RDME)	✅ 최고	❌	⚠ 진행중

출처: Luthey-Schulten 4D-WCM (Cell, 2026) · Arc Institute Virtual Cell Initiative.

지금 어디까지, 다음 어디로

현재 · 검증 완료

세포주기·공간·E. coli·인간질병·인간장기 대사 grade A · 미분가능 역설계 표적 랭킹 동작 · 전신 통합(Connected Human) · 디지털 트윈 프로토타입

다음 · 진행 중

확률 RDME(shot noise) 확장 · 양자층 실 VQE · 역설계 표적의 외부·wet-lab 검증

각 수치는 자체 검증 모델의 산출물입니다. 방법론 특허 출원.

도입을 검토 중이신가요?

기업 도입 · 공동연구 · 투자/파트너십: 30분 상담으로 시작하세요.

⚛️ Δ-Engine · 강상관 양자 솔버

AI로 양자를 푼다: 단일 GPU 강상관 솔버

신경망 양자상태(NQS)로 강상관 정답을 만들고, Δ학습으로 값싼 계산의 오차를 보정합니다. 슈퍼컴·양자컴 없이 단일 GPU에서 강상관 물질을 검증합니다.

도핑 2D Hubbard · 6×6 인증 자기교정: 자기 아티팩트 4건 적발 단일 H100

AI로 양자: 값싼 계산 + Δ 오차보정

🎯

NQS 골드

신경망 양자상태가 DFT가 실패하는 강상관계를 정확히 풉니다: 진짜 정답을 생성.

➕

Δ 오차보정

값싼 계산(DFT/HF)에 AI가 오차보정을 더해 DFT를 초월하는 정확도를 빠르게.

🖥️

단일 GPU

슈퍼컴·양자컴 없이 단일 H100에서 강상관 물질의 에너지·상관·얽힘을 검증하는 산업용 솔버.

결과: 도핑 2D Hubbard (신뢰 등급)

도핑 2D Hubbard는 고온초전도의 표준 모형이자 계산물리학의 대표 난제입니다, 보통 슈퍼컴이나 양자컴을 겨냥하는 문제를, 우리는 단일 GPU AI 솔버로 검증합니다.

4×4

프런티어급

NNB+GFMC · 0.5% (프런티어급)

6×6

완전 인증

인증 · baseline 초과 (ridge→0)

8×8

유효·확정

유효 · baseline 초과 · over-correction 아님 확정

10×10

다음 목표

100 사이트 확장 목표: 인증 진행 예정

도핑 2D Hubbard 6×6에서 baseline을 초과하는 에너지를 인증했습니다. 방법론 특허 출원.

검증 우선: 결과마다 신뢰등급자기 아티팩트까지 잡는다

모든 계산이 6개 게이트의 자동 검증을 거칩니다. 검증을 통과한 결과만 남습니다: 신뢰 가능한 강상관 계산.자기 아티팩트 4건을 적발·철회했습니다: 우리가 자랑했던 값(−0.715)까지 포함해서.

모든 결과에 A/B/C/D 신뢰등급이 붙고, 검증을 통과하지 못한 값은 자동으로 배제됩니다.

가치: 규모가 아니라 정확도 × 비용 × 검증

팔 것은 "큐비트 수"가 아니라: 슈퍼컴·양자컴 없이 단일 GPU로 강상관 물질을 검증하는 산업용 솔버이고, 모든 계산에 자동 신뢰등급(A/B/C/D)이 붙습니다. MaterialsOS의 과학 엔진.

경쟁 우위: 강상관 계산을 산업용으로

같은 문제를 푸는 세 가지 길. 우리는 접근성·비용·검증에서 앞섭니다.

대형 양자 하드웨어

초전도 QPU는 강상관 코어를 엄밀히 풀지만 대기열·고비용·규모 한계가 있습니다.

고전 평균장 (DFT+U)

전이금속·란탄족 같은 강상관에서 평균장은 크게 흔들립니다: 이 사례에서 30.9% 편차.

Δ-Engine

단일 GPU로 baseline을 초과하는 에너지를 인증하고, 모든 결과에 6게이트·A/B/C/D 신뢰등급을 붙입니다.

세계 최고 정확도(1% 미만)를 이긴 것은 아닙니다. 우리의 우위는 정확도 × 비용 × 검증의 균형입니다.

도입을 검토 중이신가요?

기업 도입 · 공동연구 · 투자/파트너십: 30분 상담으로 시작하세요.

후보 물질 제출하기 →프로젝트 이야기·참가 안내

🔬 자율 과학 발견

자율 과학 발견 · 자기교정 연구 에이전트

스스로 가설을 세우고, 실험하고, 검증하고, 자기 성과를 채점하는 에이전트. 하나의 엔진이 여러 과학 도메인을 관통합니다.

🧬 공개 참여형 신약발견 · 시즌1 말라리아(종료) · 시즌2 결핵(진행 중) · 시즌3 샤가스병 · 시즌4 비마약성 진통

AI가 만든 분자, 정말 좋은 신약 후보일까요?

생성형 AI는 수천 개의 분자를 제안할 수 있습니다. Open Discovery Challenge는 그 가능성 가운데 실제 연구할 가치가 있는 후보를 동일한 기준으로 평가하고 공개적으로 비교합니다.

PfDHODH말라리아 원충 표적

6다축 평가 기준

0–100투명한 종합점수

FREEHF 계정으로 참여

왜 말라리아부터 시작하는가

2023년 약 59만 7천 명이 말라리아로 목숨을 잃었고, 약 4분의 3은 다섯 살 미만 어린이였습니다. 연구할 방법이 없어서가 아니라 환자가 있는 곳과 자본이 향하는 곳이 일치하지 않아 충분한 기회를 얻지 못한 질병입니다. 공개 AI와 공동 검증으로 그 간극을 줄이고자 합니다.

두 시즌이 열려 있습니다Two seasons are open

시즌마다 표적 질환과 배점이 다릅니다. 둘 다 지금 참가할 수 있습니다.Each season has its own target disease and scoring weights. Both are open now.

Season 1 · 종료closed

말라리아Malaria

열대열원충 Plasmodium falciparumPlasmodium falciparum

PfDHODH · 표적target

human DHODH · 반대표적counter-target

마감 closed 2026년 9월 30일 · 접수 종료(순위 확정 · 연습 제출 가능)30 Sep 2026 · ranking frozen, practice open

상금 prize $1,000

배점: 활성 30 · 결합 20 · 선택성 20 · ADMET 15 · 신규성 10 · 합성 5Weights - activity 30, binding 20, selectivity 20, ADMET 15, novelty 10, synthesis 5

Season 2

결핵Tuberculosis

결핵균 Mycobacterium tuberculosisMycobacterium tuberculosis

InhA · 표적target

human FASN (ER) · 반대표적counter-target

마감 closes 2026년 11월 7일7 Nov 2026

상금 prize $2,000

배점: 활성 20 · 결합 25 · 선택성 25 · ADMET 15 · 신규성 10 · 합성 5Weights - activity 20, binding 25, selectivity 25, ADMET 15, novelty 10, synthesis 5

시즌 2는 결합과 선택성에 배점을 더 실었습니다. InhA를 억제하면서 사람의 상동 단백질까지 건드리는 분자는 후보가 될 수 없기 때문입니다. 그래서 두 시즌 모두 사람 쪽 반대표적을 함께 채점합니다.Season 2 puts more weight on binding and selectivity. A molecule that inhibits InhA but also hits the human homolog cannot be a candidate, which is why every season scores a human counter-target alongside the target.

누구나 설계하고, 같은 기준으로 검증합니다

①

후보 설계

어떤 AI 모델이든 사용할 수 있으며 직접 설계한 분자도 참여할 수 있습니다.

②

구조 제출

SMILES 또는 InChI를 제출하면 구조 오류, 중복, 반응성 위험과 PAINS를 먼저 점검합니다.

③

자동 평가·순위 반영

PharmaOS와 CellOS가 계산하고 세부 점수와 종합 결과를 공개 리더보드에 반영합니다.

강하기만 한 분자가 아니라, 균형 잡힌 후보를 찾습니다

효과와 선택성, 안전성, 새로움과 현실성을 여섯 축에서 함께 봅니다.

원충 억제 효과 · 30

표적 결합력 · 20

인간 효소 선택성 · 20

ADMET · 15

신규성 · 10

합성 가능성 · 5

점수를 믿을 수 있는 이유

임상 후보 DSM265부터 인간 효소 억제 물질, 이부프로펜과 카페인까지 같은 방식으로 평가합니다. 무관한 물질이 낮게 걸러지는지 누구나 확인할 수 있습니다. 다만 종합점수는 약물 품질 순위가 아닙니다. 신규성에 점수를 주므로 알려진 약은 구조적으로 불리하고, DSM265 가 신규 분자보다 낮게 나오는 것은 설계대로입니다. 축별 점수를 함께 보십시오.

PharmaOS + CellOS

PharmaOS는 표적 결합·선택성·신규성·합성 가능성을, CellOS는 원충 세포 효과·ADMET·불확실성을 평가합니다. 생성이 아니라 검증 가능한 우선순위까지 연결합니다.

제출한 분자의 소유권은 참가자에게 있습니다

비공개 제출은 다른 참가자와 대중에게 구조를 숨깁니다. 다만 평가를 위해 운영 시스템에는 저장·처리됩니다. 공개 제출은 향후 특허 가능성에 영향을 줄 수 있으므로 사업화 의도가 있다면 먼저 비공개로 제출하고 특허 전문가와 상의하세요.

높은 점수는 신약 개발 성공을 의미하지 않습니다

점수는 계산 기반 연구 우선순위입니다. 실제 효능과 안전성은 세포·동물·임상시험으로 별도 검증해야 합니다. 이 프로젝트는 실험을 대신하지 않고, 제한된 실험 자원을 어디에 먼저 사용할지 돕습니다.

다음 말라리아 치료제 연구를 시작할 가능성을 제안해 보세요

Open Discovery Challenge 참여하기 →

두 기둥: 무엇을, 어떻게

🔭

자율 과학 발견

예측·시뮬을 넘어, 개입 표적·양자상태·신소재·질병 기전을 스스로 발견합니다. 무엇을 바꿔야 하나를 역으로 계산합니다.

🔁

자기교정 에이전트 연구

자율 연구 루프가 자기 오류를 탐지·교정합니다. 사전동결 채점·적대적 검증·자기 검증 보고가 내장됩니다.

진짜 해자: 자기 과장을 자동으로 차단

세상은 AI가 발견했다를 외칩니다. 드문 것은 발견 과정이 스스로를 검증하고, 틀리면 철회하는 층입니다.

Verification Layer

자동 신뢰등급

모든 결과에 A/B/C/D 등급을 자동 부여하고, 미검증(D)은 공개를 자동 차단합니다.

Self-retraction

스스로 철회

문헌 대조로 자기 새 발견 주장을 스스로 철회한 실제 이력. 규율이 흥분을 이깁니다.

Adversarial

적대적 자기검증

다중 에이전트가 서로의 결과를 반증 시도합니다. 조작·데이터 누수 0을 통과한 결과만 남습니다.

③ 대표 증명: 신약 발견

저분자 신약 발굴의 4대 병목, 그리고 우리의 해법

병목	VIDRAFT 해법
조합 폭발 (방대한 탐색공간)	양자영감 최적화(QUBO)로 후보 압축
위양성 (도킹만으론 부정확)	물리 + 양자 + 세포 다층 검증
데이터 주권 (독점정보 유출)	온프레미스 완전 배포
물리 정밀도 한계 (고전 근사)	양자 제일원리 교차검증

세 엔진, 하나의 파이프라인

발견(PharmaOS) → 양자 실측(Quantum) → 생체 시뮬(CellOS). 각 단계는 미분가능하게 연결되고, 결과는 역설계로 다시 발견 단계에 되돌아갑니다.

💊

① 발견 · 전임상

PharmaOS

현업 저분자 신약개발 6단계로 후보를 발굴·검증합니다.

표적힛 생성도킹ADMET실험·CRO최적화·특허

Polaris 신약 예측 벤치마크 16개 부문 세계 1위 · 제3자 블라인드 벤치 · 구조-only 주권형

⚛️

② 양자 정밀 검증

Quantum 실측

후보 분자의 결합·활성부위 반응 에너지를 제일원리로 검증합니다: 고전법이 틀리는 강상관 화학.

VQE / DFT실제 IBM Heron QPUΔ-Engine 솔버

강상관 화학: 고전 평균장 30.9% 오차 → 양자 교차검증 0.0%

🧬

③ 생체 시뮬 검증

CellOS

검증된 분자를 가상 생체에 넣어 세포→7장기→전신 효과를 시뮬합니다 (전임상~임상 모델링).

분자→세포→7장기전신 QSPPK · PD디지털 트윈

도킹이 못 잡는 전신 방향오류를 포착 · 개인별 반응 차이 재현

↺

미분가능 역설계 루프CellOS의 전신 시뮬 결과를 그래디언트로 되돌려, 무엇을 어떻게 바꿔야 하나를 PharmaOS 표적·설계 단계에 자동 제안합니다.

③ CellOS → ① PharmaOS

① PharmaOS: 후보 발견에서 전임상까지

제약 현업 저분자 신약개발 6단계에 1:1로 매핑됩니다. 각 단계가 확인 가능한 근거로 뒷받침됩니다.

🎯

① 표적 지정

적응증에서 표적 단백질을 지정합니다. 표적 없이 적응증만으로 찾는 가설 모드도 지원.

🧪

② 힛 생성

리간드를 설계·생성해 후보 라이브러리를 구성합니다.

🔗

③ 결합 검증

도킹·MD·DFT와 양자(VQE/QUBO)로 결합 친화도를 검증합니다.

🛡️

④ ADMET · 독성

약물성·안전성을 예측해 위험 후보를 조기에 제거합니다.

🔬

⑤ 실험 검증

In-vitro/In-vivo와 CRO 핸드오프(프로토콜·데이터패키지·리포트).

📄

⑥ 최적화 · 특허

SAR 최적화와 물질특허 초안까지 이어집니다.

Polaris 신약 예측 벤치마크 16개 부문 세계 1위: 어느 부문에서 세계 1위인가

제3자 블라인드 벤치에서 구조-only 주권형 모델로 16개 부문 세계 1위. Google급 MolGPS·세포영상 Phenomics를 실제로 격파했습니다.

부문	세계 1위 수	비고
약효 Potency	2	-
용해도 Solubility	1	구조-only가 세포영상 격파
독성 Toxicity	2	DILI 0.950 · Ames 0.877
항암 키나아제 Kinase	6	pkis EGFR 계열 등
ADME	5	HIA 0.990 · 투과성 0.8017 (2위 0.725)

폴라리스 신약 예측 부문별 세계 1위Polaris drug-discovery prediction: world firsts by area

16개 부문 1위를 항암 키나아제 6, ADME 5, 약효 2, 독성 2, 용해도 1 로 나눠 가져왔습니다.Sixteen first places: oncology kinase 6, ADME 5, potency 2, toxicity 2, solubility 1.

자료: 폴라리스 공개 리더보드.Source: Polaris public leaderboard.

각 부문 polarishub.io에서 검증 가능.

온프레미스 주권: 데이터가 나가지 않습니다

글로벌 신약 AI는 대부분 클라우드입니다. VIDRAFT는 기업 내부에 통째로 배포되어 독점 화합물·표적·데이터가 외부로 나가지 않습니다.

항목	클라우드 SaaS	VIDRAFT 온프레미스
데이터 위치	외부 서버	사내 (완전 주권)
독점정보 유출	위험	없음
파운데이션 모델	외부 API 의존	자체 보유 (리더보드 검증)
커스터마이징	제한적	모델·파이프라인 전면

② 양자 실측: 고전법이 틀리는 곳을 제일원리로

전이금속·활성부위 같은 강상관 화학에서 도킹 점수·평균장 DFT는 크게 빗나갑니다. VQE/DFT와 실제 IBM Heron QPU로 핵심 반응·결합 에너지를 교차검증하고, 그 정밀 상수를 CellOS에 주입합니다.

양자컴퓨터 보기 →Δ-Engine 보기 →

양자 정밀도: 고전법이 틀리는 곳을 제일원리로

전이금속·활성부위 같은 강상관 화학에서 고전 평균장·도킹은 크게 빗나갑니다. VQE/DFT와 실제 QPU로 교차검증합니다.

검증 대상	고전법	양자 교차검증
강상관 결합·반응 에너지	평균장 오차 큼	제일원리 VQE/DFT
활성부위 화학	도킹 점수 부정확	실제 QPU 실측

③ CellOS: 생체 시뮬 검증(전임상~임상 모델링)

검증된 분자를 미분가능 가상 생체에 넣어 세포에서 7장기, 전신까지 효과를 시뮬합니다. 도킹이 못 잡는 전신 방향오류를 포착하고, 개인별 반응 차이(디지털 트윈)까지 재현합니다.

CellOS 보기 →

대표 증명: 신소재 발견

7-게이트 발견 파이프라인

각 후보는 7개 관문을 통과해야 살아남습니다. 생성에서 실제 양자검증까지.

실제 양자 하드웨어 검증: IBM Heron

전이금속·란탄족 같은 강상관 물질에서 평균장(DFT+U)은 크게 틀립니다. 우리는 실제 양자컴퓨터로 교차검증합니다.

0.0%

실제 IBM Heron 교차검증 오차 (정확대각화 대비)

30.9%

평균장(DFT+U) 편차: 강상관에서 실패

−0.130

MgB₂ 블라인드 형성E vs 문헌 −0.13

라이브 도구: 직접 써보세요

소재발견·소재분석·양자검증 4탭 공개 도구가 라이브로 열려 있습니다.

MaterialsOS 도구 열기 →

생성 AI와 실제 양자 하드웨어 실측을 하나의 발견 라인으로 통합한 드문 풀스택입니다. Δ-Engine이 그 과학 엔진입니다.

경쟁 우위: 생성부터 실제 양자검증까지 한 라인

부품별 선두는 여럿이지만, 생성·스크리닝·실제 QPU 검증을 하나의 발견 라인으로 통합한 건 드뭅니다.

GNoME · MatterGen

생성·안정성 스크리닝에서 앞서지만, 실제 양자 하드웨어 교차검증 단계는 없습니다.

IBM SQD

실제 QPU 강상관 계산에서 앞서지만, 후보 생성부터 도구화까지의 발견 파이프라인은 아닙니다.

MaterialsOS

생성(MatterGen) → MLIP 앙상블 → 신규성·안정성 게이트 → 실제 IBM Heron 교차검증까지, 공개 라이브 도구 하나로.

강점은 통합과 검증 규율이며, Δ-Engine이 이 스택의 과학 엔진입니다.

하나의 엔진, 여러 과학

같은 자기교정 발견 엔진을 생물·신약·소재·양자에 적용합니다. 대표 증명은 CellOS입니다.

🧫 Flagship · bacteria → 7 organs → whole body · grade A

CellOS: 미분가능 가상세포

최소생명(JCVI-syn3A)을 GPU 안에 미분가능하게 세우고, 거꾸로 돌려 개입 표적을 자율 지목합니다. 하나의 엔진이 박테리아에서 인간 질병·인간 장기 대사까지 확장됩니다.

세포주기 grade A · 공간 반응확산 grade A · E. coli 극-대-극 진동 grade A · 인간질병 응집기전 grade A · 인간장기 대사백본 grade A · 양자→세포 다중스케일

CellOS 자세히 보기 →

💊

PharmaOS

결합에너지를 전세포 효과로 연결하고, 표적을 전세포 레버리지로 우선순위화합니다. 작용기전 검증.

PharmaOS 보기 →

🔬

MaterialsOS

DFT 활성화에너지를 반응속도로, 수송·물성을 역설계합니다. 강상관 신소재 검증.

MaterialsOS 보기 →

⚛️

Δ-Engine · Quantum

신경망 양자상태 골드에 Δ오차보정을 더해 정확도를 높입니다. 단일 GPU 강상관 솔버 + 자동 검증층.

양자컴퓨터 보기 →

검증된 성과만 공개하며, 모든 결과에 자동 신뢰등급이 붙습니다, 신뢰 가능한 자율 과학 발견.

우리의 자리: 자율 과학 발견의 세 진영

자율 과학 발견은 세 갈래로 나뉩니다. 우리는 "검증"에 집중합니다.

대형 파운데이션 랩

범용 추론에서 앞섭니다. 특정 과학 도메인의 자기검증·실측 대조는 부수적입니다.

특화 생성 과학 AI

후보를 빠르게 만들어냅니다. 결과의 자체 검증·역방향 오류 포착은 약합니다.

VIDRAFT: 자기교정 에이전트

미분가능 시뮬 + 자동 6게이트 검증 + 실측·실제 QPU 대조 + 자기교정. 통과한 결과만 남깁니다.

도메인마다 검증 가능한 자율 발견을 실행합니다.

우리의 자리: 통합의 차별화

통합 강점(한 스택에 결합): 온프레미스 주권 · 자체 파운데이션 LLM(리더보드 검증) · 양자 정밀 · 세포·전신 기전검증 · 자기교정, 이 다섯의 통합이 우리의 자리입니다.

도입을 검토 중이신가요?

기업 도입 · 공동연구 · 투자/파트너십: 30분 상담으로 시작하세요.

기술 데모 보기 →HuggingFace 모델 →

💬 도입 상담

도입·기술 상담

Darwin 모델 · 온디바이스 AI · AI 인프라 최적화를 기업 환경에 어떻게 적용할지, 30분 상담으로 시작하세요.

어떤 목적이신가요?

🏢

기업 도입

사내 배포 · PoC · 라이선스

🔬

공동연구

모델 · 벤치마크 · 논문

🤝

투자·파트너십

사업제휴 · 투자

문의 남기기

제출하신 정보는 상담 응대 목적으로만 사용됩니다.

모델·데모를 먼저 체험하고 싶으신가요?

🌱 COMPANY

AI를 만드는 AI 파운드리, 비드래프트VIDRAFT: the AI foundry that builds AI

AI 모델을 설계하고, 진단하고, 다음 세대로 진화시키는 기술을 보유한 딥테크 기업입니다.

A deep-tech company that designs AI models, diagnoses them, and evolves them into the next generation.

🏢 회사 소개🏢 Company 🧩 솔루션·서비스🧩 Solutions

한눈에 보기VIDRAFT at a glance

비드래프트는 독자 파운데이션 모델 AETHER 와 모델 교배·진화 기술 기반의 Darwin 모델 시리즈를 개발하는 AI·과학 연구 기업입니다. 양자컴퓨터용 QuantumOS 와 신약·신소재 자율 탐색 플랫폼까지 연구개발 범위를 넓히고 있으며, 서울 AI 허브 입주사로서 정부 첨단 GPU 지원 사업을 수행하고 블랙웰 GPU 인프라에서 모델을 개발합니다.

VIDRAFT is an AI and scientific-research company that develops AETHER, its own from-scratch foundation model, and the Darwin model series built on model breeding and evolution. Its R&D extends to QuantumOS for quantum computers and to autonomous drug and advanced-material discovery platforms. A resident company at Seoul AI Hub, it carries out the government advanced-GPU support program and develops its models on Blackwell GPU infrastructure.

허깅페이스 대형언어모델 누적 다운로드 100만 회를 넘긴 국내 네 번째 기업이자 그중 유일한 스타트업입니다. 허깅페이스 공인 GPQA Diamond 리더보드 1위(94.44%), 과학기술정보통신부·NIA K-AI 리더보드 종합 1위, 구글×허깅페이스 Fast Gemma Challenge 검증 1위, SuperCLUE 2026년 11월 평가 수학·과학 추론 공개 가중치 모델 1위·전체 2위를 기록했습니다.

VIDRAFT is the fourth Korean company to pass one million cumulative large-language-model downloads on Hugging Face, and the only startup among them. It holds #1 on the Hugging Face official GPQA Diamond leaderboard (94.44%), #1 overall on the K-AI leaderboard run by the Ministry of Science and ICT and NIA, the verified #1 in the Google × Hugging Face Fast Gemma Challenge, and #1 among open-weight models and #2 overall in mathematical and scientific reasoning in SuperCLUE’s November 2026 evaluation.

독자 파운데이션 모델 개발사들과 협력하고 정부 보안 파운데이션 모델 컨소시엄에 참여하며, AI 모델 개발·안전성 진단·과학 연구 자동화 영역에서 사업을 확장하고 있습니다.

VIDRAFT works with independent foundation-model developers, takes part in the government Security Foundation Model consortium, and is expanding its business across AI-model development, safety diagnostics and scientific-research automation.

대표이사 인사말A Word from the CEO

모델을 만들고, 모델을 진화시키는 AI 파운드리An AI foundry that builds models and evolves them

비드래프트 대표이사 김민식Min-sik Kim · CEO, VIDRAFT

안녕하십니까, 비드래프트 대표이사 김민식입니다.

I am Min-sik Kim, CEO of VIDRAFT.

비드래프트는 모델 하나를 만드는 회사가 아니라, 모델을 만들고 개선하는 공정을 가진 AI 파운드리입니다. 처음부터 설계하는 독자 아키텍처 AETHER, 학습된 모델을 진단해 교배하고 세대를 거듭해 진화시키는 Darwin, 모델의 지식 구조를 분해해 다른 구조로 이식하는 Chimera, 대형 모델을 소비자 기기에서 구동하는 POCKET 이 그 공정을 이룹니다.

VIDRAFT is not a company that builds a single model. It is an AI foundry that owns the process of building and improving models. That process is made of AETHER, our own architecture designed from scratch; Darwin, which diagnoses trained models, breeds them and evolves them across generations; Chimera, which decomposes a model’s knowledge structure and transplants it into another; and POCKET, which runs large models on consumer devices.

이 기술은 특허 16건 출원과 논문 6편으로 공개되어 있으며, 모든 지식재산은 회사에 귀속됩니다. 성과는 허깅페이스 공인 리더보드와 외부 평가 기관의 기록으로 확인할 수 있습니다.

This technology is disclosed in 16 patent applications and 6 papers, and all of the intellectual property belongs to the company. Our results can be checked on Hugging Face official leaderboards and in the records of independent evaluators.

연구는 현장으로 이어집니다. 자체 LLM 기반 온디바이스 AI 를 보스턴 다이내믹스 Spot 에 탑재해 서울 로봇인공지능과학관에서 한국어 명령으로 운용하고 있고, 실제 IBM Heron 양자 하드웨어에서 Even–Mansour 주기 복원을 N = 10 까지 확장했으며, 진행성핵상마비 치료 화합물의 물질 특허를 출원했습니다. 정부 「AI 컴퓨팅 자원 활용」 과제는 ‘우수’ 판정으로 완료했고 첨단 GPU 지원 과제를 수행하고 있습니다.

Our research reaches the field. An on-device model built on our own LLM runs on a Boston Dynamics Spot at the Seoul Robot & AI Science Museum and acts on spoken Korean. On real IBM Heron quantum hardware we extended Even–Mansour period recovery to N = 10, and we filed a substance patent for a progressive supranuclear palsy therapeutic compound. The government “AI computing resources” program was completed with an “Excellent” rating, and the advanced-GPU support program is under way.

비드래프트는 공개된 모델·논문·특허로 확인할 수 있는 것만 말합니다. 직접 확인해 주십시오.

VIDRAFT states only what can be checked against its published models, papers and patents. Please verify them yourself.

Corporate Research Institute: officially recognised

Recognised by KOITA under authority delegated by the Ministry of Science and ICT. Recognition No. 2026111898 · recognised 27 May 2026 · research field: artificial-intelligence software.

비드래프트의 비전Our Vision

검증 가능한 AI 로 과학 연구와 산업 현장을 자동화한다.Automating scientific research and industry with AI that can be verified.

🏭

모델을 만드는 기술Technology that builds models

모델 하나가 아니라 모델을 설계·진단·진화시키는 공정을 보유하고, 그 공정을 파트너에게 라이선싱합니다.

We own the process that designs, diagnoses and evolves models, not a single model, and we license that process to partners.

🔬

과학 연구 자동화Automated scientific research

AI 와 양자컴퓨팅으로 신약·신소재 후보를 탐색하고 물질 IP 로 자산화합니다.

We search for drug and material candidates with AI and quantum computing, and turn them into substance IP.

🏢

현장 배치Deployment in the field

온프레미스·온디바이스로 데이터가 외부로 나가지 않는 공공·의료·국방 환경에 공급합니다.

We deliver on-premise and on-device to public, medical and defence settings where data must not leave the network.

솔루션·서비스 매출로 기초 연구를 하고, 그 연구가 다시 제품과 물질 IP 가 되는 구조로 성장합니다.

Revenue from solutions and services funds fundamental research, and that research returns as products and substance IP.

Who We Are

VIDRAFT Inc. is a Seoul-based deep-tech company that, built on Pre-AGI-level AI and quantum computing, extends its research and development into physics, chemistry, life sciences, and pharmaceuticals.

🧠

Foundation

Pre-AGI AI

The Darwin model family and the AETHER architecture, intelligence grown to the Pre-AGI stage.

⚛️

Foundation

Quantum computing

QuantumOS: verifying quantum cryptanalysis step by step on real hardware, tilling the soil for the next era.

🔬

R&D reach

Physics · Chemistry

New-material and molecular research: checked first against novelty and prior-art gates.

🧬

R&D reach

Life sciences · Pharma

Drug-candidate and peptide discovery: first drug-substance patent filed in 2026.

VIDRAFT · AI-NATIVE

AI NATIVE = 비드래프트가 일하는 방식AI NATIVE = how VIDRAFT works

Major Milestones

핵심 멤버Core Members

김민식Kim Min-sik

대표이사 · CEO · Chief ArchitectCEO · Chief Architect

Darwin·AETHER 설계 및 고도화
AI 핵심 특허 16건(출원) 주발명자

Designs and develops Darwin and AETHER
Lead inventor on 16 core AI patent applications

김영민Kim Young-min

부사장 · 사내이사Vice President · Inside Director

前 가상자산 평가심사역

Former digital-asset valuation examiner

정진기Jeong Jin-gi

CSFO · 사내이사 · 사업·재무 전략CSFO · Inside Director · Business & Finance Strategy

USCPA
前 기술보증기금(경력 12년, 기술평가·기술거래 심사)

USCPA
Former KIBO (12 years, technology valuation and transfer review)

장재원Jang Jae-won

CTOCTO

Jetson 기반 음성 제어 로봇 구현
다중 모델 서빙 시스템 개발·운영

Built a Jetson-based voice-controlled robot
Develops and runs the multi-model serving system

홍영식Hong Young-sik

연구소장 · Runtime 효율 체계Head of R&D · Runtime Efficiency

비드래프트 시스템 최적화 리드
前 LG CNS·한국국방연구원(경력 30년)

Leads VIDRAFT system optimisation
Former LG CNS and Korea Institute for Defense Analyses (30 years)

이재현Lee Jae-hyun

수석연구위원 · 엣지 디바이스 연구Principal Research Fellow · Edge Devices

前 안랩 핵심 보안모듈 개발 연구원
카카오·LGU+ IoT 단말·센서 시스템 구축 총괄

Former core security-module researcher at AhnLab
Led IoT device and sensor systems for Kakao and LG U+

이호준Lee Ho-jun

Executive PartnerExecutive Partner

前 JP모건 상무(아시아 TMT 수석 애널리스트)
前㈜글람 창업자(누적 자금조달 2,100억 원)

Former Executive Director at J.P. Morgan (lead Asia TMT analyst)
Founder of Glam Inc. (KRW 210 billion raised in total)

한준희Han Jun-hee

엔터프라이즈 사업개발Enterprise Business Development

前 우리은행 IT 프로젝트 PM(경력 30년)

Former IT project PM at Woori Bank (30 years)

Business Model

Three revenue axes: solutions and services delivered on-premise, substance IP generated by our domain engines, and core technology licensed to partners.

🏛️

Solutions & Services

Domain OS delivered as on-premise deployments, PoCs and managed services. Revenue from licences, deployment and operations.

🧪

Substance IP

PharmaOS and MaterialOS generate drug and material candidates that become filed intellectual property, an asset that compounds independently of service revenue.

🏭

Technology IP Licensing

Core architecture and process technology licensed to partners on a non-exclusive basis. The partner runs the platform and owns the customer relationship; we supply the process. First case: the 'Model Foundry' platform being built with Answerwise Inc. (under construction)

What We Deliver Today

These are existing revenue lines, not roadmap items.

Delivering

🏢

On-premise AX (LLM included)

Full AI transformation delivered inside the customer network, model, serving stack and workflow. Data never leaves the perimeter.

Delivering

🤖

On-device AI for Physical AI

On-device vision-language models for robots and physical systems. Reference deployment: Seoul Robot & AI Science Museum.

In progress

🏛️

Domain OS deployment & operations

NationalOS / JGOS public-administration engine, plus PharmaOS and MaterialsOS domain builds and managed operations.

Foundation → Domain OS → Solution

Foundation technology

AETHER architecture · Darwin Factory · VK Engine

↓

Domain OS

NationalOS · PharmaOS · MaterialsOS · QuantumOS

↓

Enterprise solution

On-premise deployment · PoC · managed operations

Why on-premise: public-sector, defence, healthcare and financial data often cannot leave a secure network, a market general-purpose cloud AI is not well suited to serve.

Five Verticals

Market entry through domain-specific OS. Counterparties in ongoing negotiations are not disclosed.

In progress

Public administration

Regional public-administration LLM (JGOS), development and PoC

Planned

Medical · Bio

Drug-discovery biofoundry: lead role planned

In progress

Logistics

Logistics-specialised AI stack built on partner-provided operational data

In discussion

AI infrastructure

VK Engine-based infrastructure business: domestic and overseas

In discussion

Advanced materials

MaterialsOS: collaboration with a state-backed materials body

Growth Roadmap

2026 → 2028 · market validation, vertical OS commercialisation, multi-domain Pre-AGI platform.

▶

H2 2026: Proof Expansion · Paid Pilots

NationalOS/JGOS public-administration PoC · PharmaOS·MaterialOS domain validation · VK Engine on-prem packaging

2027: AETHER Commercialisation · Domain OS

AETHER V1 commercial release · public/medical/materials OS commercialisation · Series A and partner expansion

2028: Domain Pre-AGI Platform

Global enterprise entry on proprietary architecture · OS commercialisation scale-up · PCT filings and global IP strategy

⚡ 추론 가속 및 양자화 · V4Q8 · VKAE · VKIE · VKUE

Fast, Everywhere, and at Scale, one 34.7B model, all hardware

Three sibling engines: VKAE runs it fast (≈9× single-GPU), VKUE runs it anywhere (down to a free CPU), and VKIE serves the most (18,057 tok/s on one B200). Every number measured.

🚄 VKIE Leaderboard → VKAE Leaderboard → VKUE Leaderboard →

🏆 Fast Gemma Challenge🏆 검증(VERIFIED) 1위Google 공식 Gemma 모델 대상 · Hugging Face 오픈 멀티에이전트 챌린지 (HF·Google DeepMind 핵심 인력 281명 참여)

gemma-4-E4B-it 추론속도 경쟁에서 VIDRAFT 에이전트(vidraft-darwin)가 검증(VERIFIED) 1위 달성

자율 LLM 에이전트 149개가 겨루는 공개 챌린지에서 VIDRAFT는 6/22 검증(VERIFIED) 최고 1위에 올랐고 현재도 3위 유지, 1위와 격차 단 0.6%(3.12 TPS). 원시 고TPS는 노이즈로 반려되며, 재현·검증된 결과만 순위로 인정됩니다.

🔗 리더보드에서 확인하기 →

▶ 실제 서비스 화면 · Live product

VKAE-Gemma: VIDRAFT kernel acceleration engine

🔻 V4Q8 · 양자화

VKAE · Acceleration

🚄 VKIE · Integrated

VKUE · Ubiquitous

V4Q8 · Hybrid Quantization

🔻 비드래프트 하이브리드 V4Q8 양자화: Nemotron-120B 실측

품질 민감부는 8비트로 남기고 무거운 부분만 4비트로: H100 한 장에서 상용 4비트 대비 정상상태 5회 측정. 대상: NVIDIA Nemotron-3-Super-120B-A12B · vLLM. (모델 크기 −4GB · 품질 무저하)

2.6×

동시 접속 (vs 상용 4비트)

1.9×

토큰 처리량

1.24×

응답 속도(단일)

1.8×

128K 장문맥

한눈에 보는 결과

H100 단일 GPU · 8K 컨텍스트 기준.

항목	상용 4비트	V4Q8	차이
동시 접속	25.9명	67.4명	2.6배
토큰 처리량	1,410/s	2,700/s	1.9배
응답 속도(단일)	116/s	143/s	1.24배
128K 장문맥	63만	112만	1.8배
모델 크기	76 GB	72 GB	−4 GB

V4Q8 이 상용 4비트 대비 올린 배수What V4Q8 gains over commercial 4-bit

같은 GPU 한 장에서 동시 접속이 2.6배로 가장 크게 늘었습니다.On the same single GPU, concurrent sessions grow the most, by 2.6x.

자료: 비드래프트 VKAE 내부 측정.Source: VIDRAFT VKAE internal measurement.

카드 한 장당 효율

초당 토큰 ÷ 카드 수. V4Q8 1장이 FP16 4장 합보다 장당 7.6배, FP8 2장보다 2.3배: 4장→1장이면 GPU 투자 약 75% 절감.

구성	GPU	응답	장당	V4Q8 대비
FP16 원본	4장	75/s	18.8	7.6배
FP8	2장	125/s	62.5	2.3배
상용 4비트	1장	116/s	116	1.24배
V4Q8	1장	143/s	143	기준

긴 문서일수록 격차가 커진다

KV 캐시 수용 토큰. 한 장으로 128K를 112만 토큰까지 (상용은 63만).

문맥	상용 4비트	V4Q8	차이
8K	211,821	322,998	1.5배
32K	451,190	781,390	1.7배
128K	634,105	1,115,883	1.8배

문맥 길이별 처리량Throughput by context length

문맥이 길어질수록 격차가 벌어집니다. 8K 에서 1.5배, 32K 에서 1.7배, 128K 에서 1.8배입니다.The gap widens as the context grows: 1.5x at 8K, 1.7x at 32K, 1.8x at 128K.

V4Q8V4Q8상용 4비트Commercial 4-bit

자료: 비드래프트 VKAE 내부 측정. 단위는 토큰.Source: VIDRAFT VKAE internal measurement, in tokens.

무엇을 한 건가 · 품질을 내주지 않았다

흔한 4비트는 모델 전체를 눌러 품질이 떨어집니다. V4Q8은 품질 민감부는 8비트로 남기고 무거운 부분만 4비트로: 8비트가 품질을, 4비트가 속도를 냅니다. 어디를 8/4비트로 둘지가 핵심 기술이며 특허로 보호합니다. 서빙 단계에서 VKAE(대화·추론)·VKIE(분류·요약 대량처리)를 얹는 2단 구조입니다. 품질 민감부를 8비트로 남긴 덕에 실제 응답은 원본과 구분하기 어려울 만큼 저하가 없고, 차세대 B200 도입 시 네이티브 FP4를 더해 한 단계 더 끌어올릴 수 있습니다.

측정: NVIDIA Nemotron-3-Super-120B-A12B · H100 단일 · vLLM · 정상상태 5회(±0.1). FP16·FP8 다장 수치는 공개 사양·대역폭 근거 산출. 세부 기법은 특허 출원 대상으로 성과 수치만 게재.

23.4×

throughput vs. standard (NVIDIA B200)

10K+

tokens/sec under concurrent load

quality loss: same answers, faster

100%

reproducible: one Docker, your GPU

Why inference acceleration is essential

The real AI-infra battleground is not building the model, it is running it, cheaply, forever.

💰

Efficiency = capacity

A virtual extra GPU

GPUs are scarce, expensive and power-hungry. Doubling throughput on the same card is like building twice the infrastructure, no new chips, no new power.

📉

Cost per token

Where AI services win or lose

Training happens once; inference happens every time a user asks. VKAE lowers the per-token cost that decides whether an AI service is profitable.

🌐

Sovereign-AI ready

Not a nice-to-have

For clouds, AI startups, enterprises and national/sovereign AI, acceleration is not optional, without it, running AI at scale runs at a loss.

🔬 Reproducible, not just a claim

Speed claims are cheap. VKAE ships the model weights plus the optimized serving stack as one Docker container, OpenAI-compatible, so anyone can reproduce the numbers on their own GPU and plug it straight into an existing service.

🤗

Model

Qwen3.5-35B-A3B-VKAE

VKAE-accelerated model weights on Hugging Face.

huggingface.co/FINAL-Bench/Qwen3.5-35B-A3B-VKAE

🐳

Docker

vidraft/qwen35-vkae

Integrated container: weights + optimized serving, OpenAI-compatible.

hub.docker.com/r/vidraft/qwen35-vkae

VKUE: No GPU? Runs anyway. Everywhere.

The ubiquity engine that serves frontier-class models on minimal hardware. VKAE runs fast; VKUE runs everywhere.

VKUE Leaderboard → 📖 Read the story → 🟢🔵 GPU vs CPU demo → 🔵 CPU-only demo → 🆓 Free CPU (35B) demo →

Frontier-class on minimal hardware

Run GPQA 86–88% models on a single 24GB consumer GPU, or on CPU with no GPU. (Scores use different methods; compare with care.)

Model	GPQA Diamond (method)	VKUE min. HW
Darwin-398B-JGOS	90.9 (greedy)	1 GPU + RAM
Darwin-36B-Opus ⭐	88.4 (maj@8)	1× 24GB consumer GPU / CPU
Ourbox-35B-JGOS ⭐	86.4 (maj@8) · 70.7 (greedy)	1× 24GB consumer GPU / CPU
GLM-5.2 (744B)	frontier-class	1× H100 · speed under verification

🤗

Model

Darwin-36B-Opus

GPQA 88.4. Runs on a single 24GB consumer GPU or CPU.

huggingface.co/FINAL-Bench/Darwin-36B-Opus

📦

Model

Ourbox-35B-JGOS

GPQA 86.4 (maj@8). Ubiquitous serving on consumer hardware.

huggingface.co/FINAL-Bench/Ourbox-35B-JGOS

huggingface.co/FINAL-Bench/Ourbox-35B-JGOS-GGUF

Model · GGUF

Ourbox-35B-JGOS-GGUF

Quantized GGUF build: the same weights that run on a laptop or a GPU-less CPU.

🛡️

국책사업

사이버보안 AI 파운데이션: 네이버클라우드 컨소시엄 최종 선정

과기정통부 사업에 비드래프트 참여, AI 안전성 진단 AX-RAY 제공. B200 256장·10개월.

blog · VIDRAFT

📝

Deep-dive

VKUE: the full story

The full VKUE explainer: how one file runs from a B200 down to a GPU-less CPU.

huggingface.co/blog/FINAL-Bench/vkue

🆓

Live · Free CPU

Ourbox-35B on a free CPU Space

A 35B model running live inside a free, HF-provided CPU Space, no GPU at all, at about 5.5–6 tokens/sec. Try it yourself.

FINAL-Bench-Ourbox-35B-VKUE-FreeCPU.hf.space

※ VIDRAFT-optimized serving. Throughput (tok/s) published after measurement. GLM-5.2: capacity verified, speed under verification. GPQA methods (greedy/maj@8) differ: compare with care. Engine internals are proprietary; results only.

VKIE · 비키: 통합 추론 엔진

VKAE는 빠르게 · VKUE는 어디서나 · VKIE는 가장 많이. 34.7B 모델 하나로 데이터센터 GPU부터 무료 CPU까지: 모든 수치 실측, 공개 라이브 데모에서 재현 가능.

🚄 VKIE Leaderboard → 📝 기술 블로그 →

세 개의 축, 하나의 엔진

스포츠카는 가장 빠르고, 경차는 가장 싸고, 기차는 가장 많이 실어나른다. VKIE는 VKAE의 속도와 VKUE의 절감을 동시에 취해 서빙 능력을 극대화한다.

🏎️

VKAE

≈ 9×

GPU 가속 · 스포츠카. 단일 스트림 1×B200에서 24 → 220 tok/s. 최고 단일 속도.

🚗

VKUE

무료 CPU

GPU 절감 · 경차. 34.7B를 GPU 0으로 ~6–7 tok/s 구동. 최저 비용·최대 접근성.

🚄

VKIE

18,057 tok/s

가속+절감 · 기차. 1×B200 동접(256) 서빙 능력(집계). 최대 처리량·원가효율.

어떤 엔진을 언제 쓰나

세 엔진은 독립적으로도, 결합해서도 씁니다. 배포 환경에 따라 최적 조합이 달라집니다.

	🏎️ VKAE	🚗 VKUE	🚄 VKIE
최적화 차원	지연 (속도)	비용 · 편재	처리량 (규모)
핵심 효과	최속 단일 생성	저사양 구동	최대 동시접속
대표 시나리오	실시간 대화 · 코딩	엣지 · 온프레미스	대규모 API · SaaS
대표 실측	510.58 tok/s	35B @ A10G·CPU	18,057 tok/s

실측 성능: 적용 전 → 적용 후

기준 모델 Ourbox-35B (총 34.7B / 활성 ~3B 희소 MoE). 모델 변경 없음, 품질 손상 없음.

Engine	Before	After	Gain	Setup
🏎️ VKAE	24	220	≈ 9×	1×B200 · single stream
🚗 VKUE	5.4	20.0	≈ 3.7×	8GB laptop (RTX 5060) · dense→sparse
🚄 VKIE	24	18,057	≈ 750×	1×B200 · 256 concurrent (aggregate)

🏆 Google 공개 주관 Gemma 속도 챌린지 1위: 510.58 tok/s

순간 노이즈 스파이크를 배제한 재현 가능한 유효 최고 속도 기준 기록입니다. 외부가 주관한 공개 경쟁에서 검증된 객관 지표입니다.

한 모델, 전 하드웨어 스펙트럼

Ourbox-35B: 같은 가중치, 하드웨어만 바뀐다. 데이터센터 GPU에서 무료 CPU까지 하나의 파일로.

Hardware	tok/s	Axis
1× B200 (datacenter)	18,057	VKIE · aggregate (256)
1× A10G (cloud GPU)	126	VKUE · single stream
8GB laptop (RTX 5060)	20.0	VKUE · 3.7× vs dense 32B
CPU-Upgrade (8 vCPU, no GPU)	~17	VKUE
🆓 Free CPU Space (2 vCPU, no GPU)	~6–7	VKUE · zero cost
1× A100 · 96 동접	~460	VKIE · 단일 대비 3.6× (집계)

※ 품질은 전 티어 동일: GPQA Diamond 86.4% (Ourbox-35B, maj@8) ~ 90.9% (Darwin-398B). '빠르고 싸다 ≠ 멍청하다.' 멀티모달 확장: Janus-Pro-1B 이미지 생성 저비용 T4에서 1장 ~28초.

왜 중요한가: 값싼 하드웨어에 프론티어 AI

🏛️

주권형 AI

데이터를 클라우드에 못 올리는 공공·국방·의료·금융. 폐쇄망 온프렘 CPU에서 프론티어급 추론.

💰

비용 붕괴

수억 원대 GPU 클러스터 → 카드 한 장, 나아가 무료 CPU. 진입 비용 두 자릿수 배 절감.

🌍

접근성

개인·스타트업·중소·공공 누구나. 온디바이스·엣지 수요 급증에 그대로 대응.

🔓 공개 · 재현 가능

양자화 모델(GGUF)·전 벤치 수치·baseline 실행법 공개. 누구나 라이브 데모에서 '적용 전' 수치를 재현할 수 있다.

🔒 비공개 (영업기밀)

최적화 서빙의 엔진 내부는 비공개. 결과 속도·하드웨어만 공개: 결과는 열려 있고, 레시피는 닫혀 있다.

직접 확인: 모든 데모가 라이브

🚄

VKIE

도입을 검토 중이신가요?

기업 도입 · 공동연구 · 투자/파트너십: 30분 상담으로 시작하세요.

🖱️🛡️ VICODE · CHITOS · Autonomous Coding & Security Harness

From suspicion to proof

Most scanners flag a pattern and say "maybe a vuln: you check." Chitos verifies inside authorized targets, confirms reproducibility, and chains attack paths into one scenario.

도입 상담 →

🖱️ VICODE · 코드 에이전트

🛡️ 치토스 · 보안 AI

▶ 실제 서비스 화면 · Live product

VICODE Evolving Code Agent — VICODE: evolving code agent + Chitos security hunter

Three Stages

Successor to VIDRAFT Mythos. Where Mythos was static analysis, Chitos verifies.

🔍

Stage 1 · Static Scan (free)

Multi-language pattern analysis

Python, JS, Go, Java, C/C++, Rust, PHP, YAML, injection sinks, deserialization, credential exposure, crypto misuse, prototype pollution, supply-chain risk. Unproven warnings are filtered out as noise.

🧠

Stage 2 · Threat Research

Autonomous context research

Cross-references CVE databases, exploit advisories and public PoCs to explain WHY a finding is dangerous in the current threat landscape. (Requires a Claude API key.)

🎯

Stage 3 · Active Verification (free)

Reproducible exploit proof

On authorized targets only: XSS, SQLi, path traversal, command injection. Finds reproducible evidence, retries variant paths when blocked, and links confirmed vulnerabilities into a kill-chain threat map.

VICODE + Chitos: 하나의 하니스

코드를 짓는 손과 지키는 눈. 사내에서, 클라우드 없이.

🖱️

VICODE: 진화하는 코드 에이전트
온프레미스 코드 에이전트. 진화적 자가수정 · 군집 병렬 분석 · RAG 코드생성 · 단일 HTML 아티팩트 · 장기기억 · MCP 서버 연동. 오픈 모델로 구동하는 사내 Claude Code 대체.

🛡️

Chitos: 능동형 보안 헌터
정적 스캐너를 넘어 실제로 검증합니다. 허가된 대상에서 재현 증거를 찾고, 확인된 취약점을 하나의 킬체인 위협맵으로 엮습니다.

치토스가 남다른 점

🔇

소음 제거증명되지 않은 경고는 배제. "아마 취약"이 아니라 재현된 것만.

🎯

능동 검증허가된 대상에서 XSS·SQLi·경로순회·명령주입 재현 증거를 직접 확보.

⛓️

킬체인개별 취약점을 하나의 공격 시나리오(위협맵)로 연결.

🏠

셀프호스트·오프라인설치·가입 없음, 코드는 외부 API로 전송되지 않음.

🧬

진화·게이팅Darwin 진화 + NEG 게이팅으로 오탐을 억제하며 스스로 개선.

🧩

확장24개 스킬 · ZIP 풀사이클 스캔(≤200MB) · Auto-PATCH · 외부 타깃(in_scope) · MCP.

Ready-to-run Scenarios

Five representative attack scenarios, one click each. Live-test against IBM intentionally-vulnerable demo.testfire.net.

CVE

Log4Shell

Auth

JWT alg:none bypass

RCE

SSTI → RCE

Prototype Pollution

Supply chain

Dependency Attack

🔒 Privacy by design

No install. No signup. Your code is never sent to an external API.

⚖️ Authorized use only

Active exploit features may be used only on targets you own or are explicitly authorized to test. Unauthorized testing or scanning may be illegal; all legal responsibility rests with the user.

Claude Code, 자체 하니스로 대체

VICODE + Chitos는 동일 하니스의 두 포크입니다. Claude Code 기능의 대부분을 자체 코드로 이미 보유: 외부 의존성·비용 0, 완전 온프레미스, 자기진화·보안 내장. (자체 H100 vLLM · 온프레미스 오픈모델)

이 하니스는 우연이 아닙니다. 우리는 4년 전 'AI를 만드는 AI(VICODE)'를 만들기 시작했고, VICODE가 1,000번째 에이전트를 스스로 완성한 순간 변곡점이 왔습니다. 그 뒤 스스로 만든 에이전트들을 레고처럼 융복합하며 하니스가 자라났습니다. VICODE·Chitos는 그 자기진화의 산출물입니다. → 전체 이야기

CLAUDE CODE 기능	CHITOS · VICODE 대응	상태
Read / Write / Edit	파일 읽기·쓰기·편집	동등
Bash 실행	샌드박스 격리 실행	동등
Grep / Glob	코드 검색 · 레포 맵	동등
Web Fetch / Search	웹 조회 · 검색	동등
서브에이전트 / 워크플로	다중 에이전트 오케스트레이션	동등
MCP	MCP 매니저	동등
Skills	내장 스킬 24종	동등
슬래시 커맨드	커맨드 레지스트리	동등
권한 시스템	권한 · 정책	동등
메모리	장기 기억	동등
SSE 스트리밍	실시간 스트리밍	동등
GitHub 통합	GitHub 도구	동등
HF 통합	Hugging Face 도구	초과 +
자기진화	자가 개선 · 게놈	초과 +
데이터셋 파이프라인	데이터셋 도구	초과 +
언어별 Rules 레이어	22개 언어 규칙 레이어	초과 +

두 포크 · 하나로 수렴

🖱️ VICODE

범용 코딩 하니스

범용 코딩 + Claude Code 호환 프록시 → 즉시 드롭인 대체.

🛡️ Chitos

자율 보안 엔진

보안 3단계 검증 엔진 + 모바일 앱.

공통 코어 동일: 24스킬 · 도구 · 다중에이전트 · MCP · 권한 · 샌드박스. 하나의 공통 하니스로 수렴하고, 보안은 스킬 모듈로 흡수.

두 가지 대체 경로 (이미 내장)

경로 A

자체 하니스

프론트+백엔드 에이전트 루프로 오픈모델 구동. 완전 독립 스택 · 자체 UI.

경로 B · 권장

드롭인 대체

Claude Code CLI를 그대로 쓰되 엔드포인트만 우리 호환 프록시로. 이질감 0 · 즉시 대체 증명.

결론

Claude Code 대체의 대부분이 이미 자체 코드에 존재합니다. 외부 의존성 · 비용 0 · 온프레미스 완결 · 자기진화 · 보안 내장.

치토스: 주권형 보안 AI

Anthropic Claude Mythos에 대한 온프레미스 대응: 코드를 밖으로 보내지 않고, 해커보다 먼저 찾아 직접 증명합니다.

🎯 추측이 아닌 증명

실제 공격 페이로드를 쏘고 응답을 증거로 제시. XSS·SQLi를 말이 아니라 재현으로 증명합니다.

⚙️ 이중 엔진

결정적 정적분석(CWE 매핑·AI 없이도 동작) + AI 추론 계층 → 정적 근거와 AI 해설의 이중 증거.

🧠 메타인지 · 오탐 0

단정 전 스스로 반문: 오탐인가·재현되나·source에서 sink까지 흐름이 실재하나. 진짜만 보고합니다.

🔀 3-모드

검사(정적+AI 리포트) · 연구(가설→CVE 웹조사) · 익스플로잇(승인 대상 킬체인). 코드/URL 입력.

🕸️ CodeGraph 국소화

정의·의존성·위험 호출 지점을 지도화해 분석을 정확히 국소화.

🛡️ 주권형 모델

기본 DeepSeek V4 Flash(304B MoE·MIT 오픈, 데이터 미유출). 옵션 Claude(사용자 키).

축	Claude Mythos	🐯 치토스
주권성	❌ 클라우드·코드 외부전송	✅ 온프레미스·데이터 미유출
모델	독점 Mythos	Flash(MIT 오픈) 기본 + Claude 옵션
판정 근거	모델 내부(블랙박스)	정적 근거 + AI 이중 증거
오탐 제어	비공개	메타인지 자기검증
입력	코드 중심	코드 + URL 크롤
규제산업	제약(외부전송)	적합(폐쇄망)
비용	고가 종량	주권형 자체 인프라 · 무료

정직한 스코프: Mythos는 원시 발견력에서 강력합니다. 치토스의 승부처는 주권성·투명성·재현성·규제적합·비용입니다. 한 줄로: Mythos급 방어를, 당신의 GPU 위에서, 데이터를 내보내지 않고.

치토스는 어떻게 작동하나 3층 구조

공격자가 쓰는 수법을 사전에 같은 체크리스트로 점검하고, AI로 한 번 더 검증하며, 데이터는 내부망을 벗어나지 않게 한다.

공개 표준 벤치 OWASP Benchmark

2,700여 개 테스트 케이스로 보안 도구의 정확도를 0~100 Youden 지수로 재는 공식 평가셋. 아래는 치토스 측정값이다.

구성	Youden 지수
기반 코드 스캐너 단독	52.8
치토스 전체 · 온라인 판단 엔진 (Claude Opus 5.5)	77.2
치토스 전체 · 온프레미스 판단 엔진 (Darwin-180B-RSI)	77.8

치토스 보안 진단 판별력 (Youden 지수)CHITOS security triage discrimination (Youden index)

기반 코드 스캐너만 쓰면 52.8 입니다. 치토스를 얹으면 77 대로 올라가고, 폐쇄망에서 도는 온프레미스 판단 엔진이 가장 높습니다.The underlying code scanner alone scores 52.8. CHITOS lifts it into the high 70s, and the on-premise engine that runs inside a closed network scores highest.

자료: 비드래프트 내부 측정. 온프레미스 판단 엔진은 Darwin-180B-RSI.Source: VIDRAFT internal measurement. The on-premise engine is Darwin-180B-RSI.

AI 2단 검증층이 핵심이다. 검증 전 52.8에서, 거짓 양성의 60% 이상을 걸러내면서도 진짜 취약점은 하나도 놓치지 않아 77점대로 올랐다. 외부 API 판단 엔진 Claude Opus 5.5(77.2)와 내부망 전용 엔진 Darwin-180B-RSI(77.8)이 사실상 동일해, 데이터를 외부로 내보내지 않는 온프레미스에서도 성능이 떨어지지 않는다. 공개된 상용 도구 점수는 70대 중반 이상 구간에 분포하며, 치토스는 그 구간에 든다.

🏦 공격 체인을 되짚는 점검

실제 금융권을 뚫은 공격 체인(접근제어 우회·인증 우회·순차 조회 과다 노출)을 사전 체크리스트로 점검. 전통 스캐너가 놓친 로직 취약점을 잡는다.

🧯 비파괴 점검

능동 공격형 스캔은 운영 중 시스템을 멈출 수 있다. 치토스는 점검 대상을 손상시키지 않는다.

📅 매일 최신화

공개 취약점 지문 수천 건을 매일 자동 갱신. 지문 DB 미반영 신규 긴급 취약점은 당일 전용 탐지 규칙으로 대응한다.

금융보안원 AI 에이전트 17개 평가기준 전항목 대응

금융보안원이 2026년 10월 발표한 「금융분야 AI 에이전트 보안 평가기준」(6개 분야 17개 점검항목). 2026년 시범검증을 거쳐 2027년부터 금융권 AI 레드티밍 정식 기준으로 적용된다. 치토스는 17개 전 항목에 대응 모듈을 보유한다. ★ = 기존 AI보안에 없던 에이전트 실행계층 신규위협.

17 / 17

전 점검항목 대응 · 자동 10 · 부분자동 6 · 통제 1

8 / 8

★ 에이전트 신규위협 전부 대응 (실행계층)

분야 · 주입·데이터 / 에이전트 고유 / 자율실행 제어

#	점검항목	치토스 대응	수준
①	인터페이스 보안	입력·도구응답의 인젝션·탈옥을 실행 전 차단	자동
②	환각·오정보 대응	출력 근거·확신도 검증, 미검증은 보류·재검증	자동
③	★ 목표 무결성	원지시 대비 목표 이탈·계획 왜곡 감지	부분자동
④	★ 연쇄적 실패 대비	단계 실패를 격리해 연쇄 확산 차단	부분자동
⑤	★ 취약한 도구 사용금지	호출 도구·의존성의 취약점을 최신 위협정보로 대조	자동
⑥	★ 도구 권한 제어	고위험 도구호출을 실행 전 차단하고 승인 요구	자동
⑦	★ 샌드박스 환경구축	비파괴·읽기전용 격리 범위에서만 점검 수행	통제
⑧	메모리 오염 방지	저장 전 민감값 마스킹으로 오염 축적 차단	자동
⑨	메모리 격리	세션·사용자 간 메모리를 분리해 교차유출 방지	부분자동
⑩	데이터 유출 방지	자격증명·개인정보 유출을 외부전달 전 차단	자동
⑪	★ 에이전트 간 통신보안	위임 채널을 인증하고 전달 내용을 검사	부분자동
⑫	공급망 보안	구성요소 출처·취약점 검증(구성명세 산출)	자동
⑬	★ 인적 승인체계	고위험 행위는 실행 전 인적 승인을 강제	자동
⑭	★ 인적 개입 과부하 방지	확신도 기준으로 승인요청을 선별해 부하 저감	부분자동
⑮	자원 고갈 방지	실행량·자원 사용에 상한을 두고 임계 초과 통제	부분자동
⑯	킬스위치 구현	위험 감지 시 즉시 중단하고 세션 강제종료	자동
⑰	로깅·감사체계	전 점검·판정·차단 이벤트를 변경불가 감사로그로 기록	자동

근거: 금융보안원 보도자료(2026.10.7), OWASP Top 10 for Agentic Applications, CSA Agentic AI Red Teaming Guide, 국정원 AI 보안 가이드북.

치토스가 내놓는 실제 산출물

금융보안원 17기준 점검 리포트 샘플입니다. 가상 대상(여신심사 보조 AI 에이전트 · 의뢰기관 OO금융지주 샘플)을 비파괴로 점검한 예시입니다.

52%

충족 · 충족 9 · 부분 3 · 미충족 5

보안 성숙도 · 조치 필요 8건

7소절

항목별: 위협·점검·결과·영향·해결·검증·표준매핑

샘플 리포트는 만점이 아니라 실제 결함(미충족 5)을 그대로 보여줍니다. 조치 우선 예: 에이전트 간 통신보안(미충족·높음), 공급망 보안(미충족·높음), 킬스위치(미충족·높음), 연쇄 실패 대비(부분·높음). 능동 레드티밍 8항목은 비공개 공격셋 실측, 정적·통제 9항목은 배포 환경 직접 검증으로 수행합니다.

📄 전체 샘플 리포트 보기 →

🐯 도입 상담 바로가기 →

도입을 검토 중이신가요?

기업 도입 · 공동연구 · 투자/파트너십: 30분 상담으로 시작하세요.

🔮 라이브 데모quantum.1street.ai · H100 GPU · 실시간

⚛️ QUANTUMOS

Cryptanalysis on Real Quantum Hardware

Simon-algorithm attacks executed on IBM's 156-qubit ibm_kingston: at record hardware scale.

Live Demo → Leaderboard →🔮 Qubit Simulator →

⚛️ QuantumOS

💊 PharmaOS · 신약

🧪 MaterialsOS · 신소재

양자컴퓨터 큐비트 시뮬레이터: 몰라도, 말로 회로를 만든다

AI 코파일럿에게 “동전처럼 0과 1을 반반으로” 라고 말하면 양자 회로가 생성됩니다. 얽힘·Grover 검색·양자푸리에·분자에너지(VQE)·오류정정까지 예제 원클릭. H100 GPU로 실시간, 정밀 33큐비트(특수회로 최대 10만).

의미: 양자를 보이게·만지게 만들어 진입장벽을 없앤 AI×양자 융합의 실증. ※ 실제 양자컴퓨터(QPU)가 아니라 GPU 시뮬레이터로, 교육·프로토타이핑·알고리즘 검증에 적합.

지금 체험 →

What is QuantumOS

양자 알고리즘을 실제로 돌리고, 실측하고, 공개 비교하는 OS

콘솔에서 양자회로를 만들고, 실제 IBM 하드웨어에서 암호구조를 공격하고, 그 결과를 Quantum-Bench 리더보드에 올려 누구나 재현·비교합니다. 핵심은 재현 가능한 실측일회성 시연이 아닙니다.

⚛️ 실제 IBM QPU 3대 접속🔓 암호구조 N≈4 → N=10📊 재현·공개 리더보드🧪 신약·신소재로 확장

▶ 실제 서비스 화면 · Live product

QuantumOS Cryptanalysis Live — QuantumOS: Quantum Cryptanalysis, live on a real IBM QPU

QuantumOS: 3 ways in

QuantumOS opens along three distinct tracks, console, cryptanalysis, and leaderboard.

vidraft-quantumos.hf.space

Console

QuantumOS Console

Quantum-circuit simulator and console. Build and run algorithms and visualize results directly.

🔓

Cryptanalysis

Quantum Cryptanalysis

A real-hardware demo analyzing block-cipher structures (Even–Mansour · Feistel) up to N=10 on IBM quantum machines.

vidraft-quantumos.hf.space/crypto

FINAL-Bench/quantum-bench-leaderboard

Leaderboard

Quantum Bench

Quantum-algorithm benchmark rankings: reproducible results, openly compared.

The world stopped at "4". A small Korean team pushed to "10".

Drawing a rocket on paper and actually launching it are two different things. Real quantum computers are noisy: a slightly longer computation drowns the answer. For years the public record on real hardware stayed stuck around N≈4.

VIDraft touched that wall. Taking the two most vulnerable structures, Even–Mansour and Feistel, onto IBM's real quantum computer, the team pushed the simplest block-cipher structure to N = 5, 6, 7, 8, 9 and 10, recovering a fresh independent key each time to prove it was not a rigged demo tuned to one answer, using noise mitigation only, no costly error correction.

Real Hardware Results

IBM ibm_kingston (156 qubits) · 15–30 qubit circuits with hundreds of two-qubit gates.

🔑

Even–Mansour

N = 5 → 10

Secret-key recovery on real hardware from N=5 up to N=10, exceeding the previous public record of N≈4 (to our knowledge).

🔀

3-round Feistel · DES-family

Block 6 · 8

Hidden-period recovery at block sizes 6 and 8, rank-1 clean.

Error mitigation only: dynamical decoupling, gate/measurement twirling, readout-error correction (no quantum error correction). Independent control keys were tested per instance to confirm the attack isn't tuned to one answer.

외부 평가 · 제3자 인용

암호학자 애디 러마가 독일 연방보안청 성과에 이어 우리 결과를 인용했다

암호학 경력 15년(미 공군 암호병과 8년)의 애디 러마는 「양자컴퓨터는 정말 얼마나 가까운가」(2026-08-13)에서, 2026년 4월 독일 연방보안청 등이 IBM 실기로 Even–Mansour를 깬 결과의 후속으로 비드래프트 QuantumOS를 다뤘습니다. 그는 키를 곧바로 얻어내는 순수 양자 복구는 4비트에서 5비트로 올라섰고, N=10은 양자컴이 후보를 좁힌 뒤 고전 컴퓨터가 키를 골라내는 하이브리드 절차라고 구분했습니다. 또한 본 결과가 동료평가 전 프리프린트임을 지적했는데, 이는 저자들이 스스로 밝힌 사실이기도 합니다.

그의 결론은 우리가 이 페이지에서 지켜온 선과 같습니다: “최전선은 실제로 움직이고 있지만, 여러분이 실제로 쓰는 어떤 것에도 근처에 가지 못했다.” 이 연구는 실사용 암호를 깬 것이 아니라, 실제 양자 하드웨어에서 어디까지 가능한지를 재현 가능하게 측정한 것입니다.

원문 읽기 →

Measured, at a glance

The record we set on real quantum hardware, and why the advantage exists, in two plain charts.

Even–Mansour: key recovery

real IBM QPU · ibm_kingston (156 qubits)

Each bar is an independent, freshly recovered key at that block size, proof it is not a rigged one-answer demo. The public record had stalled near N≈4; we climbed to N=10.

Why quantum wins: simply

query & search complexity

Classical computers must probe many times or brute-force every key. The right quantum algorithm reads the secret in a single query, or square-roots the whole search.

Quantum-Bench: the leaderboard that makes it verifiable

Quantum results are too often un-reproducible one-off demos. Quantum-Bench publishes the attack code, the recovered keys, and open rankings, so anyone can rerun the experiment and compare, on the same yardstick.

🔁 Reproducibleattack code + independent keys, not a screenshot.

📊 Openly rankedalgorithms compared on one common metric.

🖥️ Real-hardware verifiedrun on IBM QPUs, not only simulators.

Open the Quantum-Bench leaderboard →

Five Attack Structures

Genuine quantum algorithms covering the major cryptographic design paradigms. The two Simon-based constructions were pushed to hardware.

Linear

Bernstein–Vazirani

Key recovery in a single query.

Exponential

Simon · Even–Mansour

Executed on real hardware ✓

Block cipher (SPN)

Grover

Quadratic-speedup key search.

MAC forgery

Simon · CBC-MAC

Existential forgery.

Feistel · DES

Simon · 3-round

Executed on real hardware ✓

🏅 세계 최정상과 나란히

美 반도체 권위지 SemiEngineering이 우리 양자 연구를 편집 선정했습니다.

SemiEngineering 편집진이 주간 Chip Industry Week in Review(#148)의 보안 연구논문 리뷰에 비드래프트의 양자 암호분석 논문 "Quantum Cryptanalysis on IBM Quantum HW"를 선정: 세계 최정상 연구들과 나란히 실렸습니다.

Meta Google Radboud University Politecnico di Torino VIDRAFT

이것이 왜 중요한가

🎯 실력으로 뽑힌 검증(EARNED)우리가 배포한 보도자료(PR)가 아니라, 기자가 주목할 연구로 직접 선정. 신뢰의 무게가 다릅니다.
🌐 제3자 권위 인정반도체·보안 업계 권위지가 우리 양자 연구를 Meta·Google·명문대와 동급으로 평가.
⏱️ 산업적 시의성양자내성암호(PQC) 전환이 시급한 지금(업계 87%가 계획, 단 7%만 배포), 우리의 실기(實機) 양자 암호분석이 주목받는 순간. 공공·국방 보안 조달과 직결.

📰 SemiEngineering 원문 → 🤗 논문 (HF Papers) →

A tool of the Riemann Hypothesis: first numerical realization

To our knowledge, a first.A numerical characterization of the tool, not a proof of the Riemann Hypothesis.

VIDRAFT realized, with Blackwell GPUs and AI, the self-adjoint operator that Prof. M. Suzuki (Institute of Science Tokyo) proposed in 2026 as theory only. From its spectrum we derived a closed-form constant (a strong 1σ candidate), a boundary phase, and a prime-onset law, all open and reproducible. The result is Archimedean and universal (shared by all L-functions), not specific to the zeta zeros.

Closed-form fit R²=1.000000 (40 modes) · GUE KS=0.068 vs Poisson 0.349 · von Mangoldt read-back error 0.08%: all reproducible in your browser.

Interactive demo → Data & code → HF Space → Source paper (arXiv) →

A numerical characterization of a Riemann Hypothesis tool. The result is universal across L-functions and reproducible in your browser.

🏛️ 중립 벤치마크 운영

우리가 운영하는 중립 벤치마크: FINAL-Bench Quantum

양자 오류정정 디코더 성능을 회전 표면부호(Stim) 위에서 재현 가능하게 겨루는 공개 리더보드입니다.

Track A는 검증(VERIFIED), Track B는 보고(REPORTED)로 등급을 구분합니다.

우리는 참가자이면서, 다른 결과가 측정되는 중립 기준을 운영합니다, 재현 가능한 결과를 공개적으로 비교합니다.

리더보드 열기 →

양자로 무엇을 발견하나: 응용

이 양자 엔진은 두 발견 라인을 구동합니다: 신약 후보 분자의 결합·활성부위 에너지 검증, 그리고 신소재의 강상관 물성 검증.

💊

신약 발견 → PharmaOS 결합·활성부위 에너지를 양자로 정밀 검증

🔬

신소재 발견 → MaterialsOS 후보를 실제 IBM Heron QPU로 교차검증

SERVICES

Proof comes from usage

Live services running on the Darwin + AETHER platform.

🏢 회사 소개🏢 Company 🧩 솔루션·서비스🧩 Solutions

All

🤗 HuggingFace

⚡ VKAE

🏛️ National·Gov

🔬 Drug·Materials

⚛️ Quantum·Science

🛡️ Tools·Security

🏗️ Building·Design

🩺 Live Status

All Services at a Glance

Darwin Family

20 evolutionary models

Metacognition Adapters

11 non-invasive adapters

⚡

VKAE Serving

1.5–2× throughput

📊

VKAE Leaderboard

Single-GPU speed

🐳

Docker Hub

8 images

🏢

JGOS Citizen AI

Sovereign AI for 3.2M

🗺️

NationalOS

250-region digital twin

👁️

Darwin Vision

Document & handwriting

🧑‍🎤

Darwin Avatar

Real-time 3D avatar

⚗️

MaterialsOS

New-material AI design

💊

ADMET

Drug toxicity prediction

🔬

PharmaOS DEEP

5-stage autonomous drug pipeline

Quantum Bench

Quantum algorithm rankings

VIDraft · Main Portal · Space

QuantumOS

Quantum sim console

🔓

QuantumOS Crypto

Real HW cryptanalysis

🛡️

CHITOS

AI code security scan

🏯

HanSoo (韓守)

Fully local AI office

🐭

VICODE

Multi-agent code AI

🏗️

FloorPlan AI

NL → KS F 1501 drawings

🌍

EarthOS

Earth-observation world model

🩺

AI Diagnostics

117-item safety/compliance

📱

POCKET On-Device

35B-class, GPU-free

HuggingFace Collections & Models

Official collections managed under FINAL-Bench · VIDraft organizations.

🚀

VIDRAFT: Korea's AGI Journey

Full introduction to the Darwin + AETHER ecosystem (KO/EN). Darwin 1.7B–398B · 16 patents · 9 live services · Blackwell 32-GPU infrastructure · metacognition tech overview.

Open Main Portal →

Darwin-398B-JGOSDarwin-36B-OpusDarwin-28B-OpusDarwin-4B-David+16

FINAL-Bench Collection

DARWIN-Family

"The child surpassed both parents, that is evolution." Complete collection of 20 evolutionary language models from Darwin-2B to Darwin-398B. Linked with the arXiv 2605.14386 paper.

📦 20 models⬇️ 1M+ downloads

Darwin-28B-OpusDarwin-9B-NEGJGOS-31B-CitizenQwen3.5-35B+7

FINAL-Bench Collection

Metacognition Adapters

11 non-invasive adapters that add self-error detection to major Darwin models without changing the original structure.

📦 11 adapters🧠 Non-invasive

⚡

FINAL-Bench Collection

VKAE Accelerated

"Fastest single-GPU serving of open models via VKAE." Inference-acceleration models achieving 1.5–2× throughput on a single GPU. OpenAI-compatible API, ready to use.

Qwen3.5-35B-A3B-VKAE · 601 tok/sDarwin-36B-VKAE · 280 tok/s

⚡ 1.5–2×🔌 OpenAI-compatible

⚛️ IBM Heron QPU📊 NIST 6/6

FINAL-Bench Space

Quantum Bench Leaderboard

Quantum computing algorithm performance leaderboard. Includes real IBM Heron QPU measurements. NIST randomness verification · Bell inequality violation · VQE · QRAM experiment results.

VKAE Inference Acceleration

Achieves 1.5–2× throughput vs. baseline on a single GPU.

⚡ 455 / 601 tok/s on a single B200 GPU

The VKAE breakthrough stack delivers 1.5–2× the throughput of standard serving for a 35B-A3B model on one B200 GPU.

📊

Live Leaderboard

VKAE Serving Leaderboard

Single-GPU serving speed rankings. Darwin · Qwen model throughput comparison. OpenAI-compatible API endpoint provided.

huggingface.co/spaces/VIDraft/vkae

🐳

Docker Hub

Verified Docker Images

8 Docker images verified for K-AI leaderboard submission. Bake-in method (works without internet on the evaluation server). OpenAI-compatible API.

JGOS-31B-Citizen VKAE

K-AI #1

JGOS-158B / 398B

Darwin-398B-JGOS VKAE

hub.docker.com/u/vidraft

⚠️ Internal serving infrastructure: access requires an internal-network account.

National & Government AI Services

Public administration AI based on K-AI #1 model, Korean sovereign AI for 3.2M citizens.

🏢

K-AI #1 Model

JGOS: Jeonnam·Gwangju Citizen AI

Korean sovereign AI for 3.2M citizens. Administration · law · tourism · civil affairs · transport · culture · statistics · agriculture guidance. Analyzes 10+ file formats (HWP·PDF·Excel·images). Includes free citizen AI education. Based on JGOS-31B-Citizen.

jgos.vidraft.net

※ Test version · no official administrative effect

🗺️

Digital Twin

NationalOS: Regional Digital Twin

52M-person simulation based on KOSIS data. 250 cities/counties × 17 metropolitan regions, 3-tier analysis. Quick (10–30s) / Regional (1–3min) / Deep (5–15min) three stages. 9-Agent hallucination-prevention engine. Generates policy-impact interviews via persona matching.

vidraft-nationalos-regional.hf.space/live

Drug & Materials AI

Polaris Global #1 in 16 Polaris drug-prediction benchmarks · From autonomous drug discovery to new material design.

👁️

Vision AI

Darwin-398B Vision

FastAPI + Docker based. Connected to the Darwin-398B-AX production backend. Handwriting recognition · MSDS hazard extraction · health-checkup reading. KIHA SFR-004/001 industrial-safety demo. PDF·PNG·JPG·WEBP support.

huggingface.co/spaces/VIDraft/Darwin-398B-Vision

⚗️

Quantum-Integrated

MaterialsOS: New-Material AI Design

MatterGen→MLIP→UQ→4-DB novelty check→Hull→IBM Heron QPU cross-validation 7-gate pipeline. Generative AI + real QPU integration. Compatible with Korea IonQ/KISTI. Paper + patent linkage.

vidraft-materialos.static.hf.space

※ Contact for access

💊

#1 in 16 Polaris drug-prediction benchmarks

ADMET: Toxicity·Absorption·Metabolism Prediction

Predicts 5 indicators: Absorption · Distribution · Metabolism · Excretion · Toxicity. Based on the Polaris global-leaderboard 15× champion model. BRICS molecule generation + Boltz-2 docking. tox21-v4 scaffold-holdout AUC 0.790.

PharmaOS DEEP: 5-Stage Autonomous Pipeline

RAG→SMILES generation→CythoS validation→SOTA ranking→report. Covers 14 indications. Built-in autonomous retry loop.

vidraft-pharmaos.hf.space/pharmaos/

Quantum & Science AI

IBM Heron QPU measured · NIST randomness 6/6 passed · Real quantum experiment integration.

🔓

Cryptanalysis · Real HW

QuantumOS Cryptanalysis Demo

Genuine quantum-algorithm cryptanalysis suite executed on IBM Kingston real hardware, Even-Mansour N=10 and 3-round Feistel (DES-style) blocks 6/8, rank-1 clean.

vidraft-quantumos.hf.space/crypto

vidraft-quantumos.hf.space/#console

Quantum Console

QuantumOS: Quantum Simulation Console

Quantum circuit design · simulation · execution. Visualizes real IBM QPU measurement data. NIST randomness (6/6 pass) · min-entropy 0.974 · Bell inequality violation (2.371) · VQE · QRAM experiments. Run directly in the #console tab.

huggingface.co/spaces/FINAL-Bench/quantum-bench-leaderboard

Leaderboard

Quantum Bench Leaderboard

Quantum algorithm and simulator performance comparison leaderboard. Real QPU measurements shown side-by-side with simulation results. HF Docker metadata auto-updated. 27 likes.

Tools & Security AI

AI security, code agent, local office, legal AI, productivity tools collection.

🛡️

AI Security

CHITOS: AI Security Scanner

AI-based code security vulnerability detection. OWASP Top 10 · dependency analysis · secret-key exposure check. Darwin-backbone security fine-tuning.

huggingface.co/spaces/VIDraft/chitos

🏯

Data Sovereignty

HanSoo (韓守): Fully Local AI Office

Browser-based, works without internet. Zero external data transmission. HWP·DOCX·PPT·XLSX·PDF support. MIT license. Released 2026.04.19.

hansoo.vidraft.net

🐭

Multi-agent

VICODE: Code Agent

Multi-agent code AI. 1.5M+ MAU verified. Darwin-backbone swarm collaboration. SOMA multi-intelligence architecture.

vidraft-mouse.hf.space

⚖️

Legal AI

LegalFlow v1.5

Case-law-grounded accurate legal AI. RAG + Darwin legal fine-tuning removes legal hallucination.

vidraft-legalflow.hf.space

📝

Research Tool

Auto Paper Generator

AI paper writing & enhancement agent. Automates draft generation, reference organization, and improvement suggestions.

vidraft-paper.hf.space

final-bench-model-galaxy.hf.space

Model Explorer

Model Galaxy

22,400+ model sigma.js interactive visualization. Darwin·Trending·Multimodal 5 clusters. Galaxy / Atlas 2 modes.

FloorPlan AI Architectural Design

From a Korean sentence to a verified floor plan, or from a parcel address to a code-compliant 3D building. Drawings, BIM, cost and fire-safety in minutes.

🏗️ Darwin-398B-AX (JGOS) · KS F 1501

Natural language becomes KS F 1501 drawings, 3D, walkthrough and quantity takeoff, designed by a 397B-parameter MoE and reviewed by a VLM critic.

📐

Text → standard floor plans

Natural language becomes KS F 1501 drawings (parallel drafts + AI review), mm, 1:100, wall poché, area table.

✅

6 automatic checks

Building code · fire safety · barrier-free access · design metrics · cost estimate · AI review score.

🏢

NEW

Parcel → site design

Type a parcel address: zoning, official land price and lot boundaries fetched from the national V-World open-data platform.

📊

NEW

FAR slider + solar setback 3D

Statutory coverage/FAR enforced geometrically; north solar-setback cut into the 3D mass; FAR slider recomputes area, floors and cost live.

🧭

Layout-quality score

Zoning, privacy, south exposure, circulation and proportion scored 0–100 by deterministic rules, not AI self-assessment.

⬇️

Export DXF·PDF·IFC·BOQ

DXF (AutoCAD) · PDF (A3 sheet) · IFC (BIM) · XLSX quantity takeoff.

🚶

Walk · sun study · aerials

First-person walk mode, monthly/hourly sun study, and AI photoreal renders and aerials.

※ AI concept-design reference only: coverage/FAR use statutory maximums (actual limits depend on local ordinances), official land price is not market price, and permit and construction documents proceed with a licensed architect.

Open FloorPlan AI → Read the story (Brunch) →

Live Service Status

공개 서비스 실시간 헬스체크 + K-AI 리더보드 Top 10. 4분마다 자동 갱신.

● 정상 ● 다운·오류 ● 수동중지 ● 자동중지 ● 기동중 ● 확인불가

불러오는 중…

K-AI Leaderboard Top 10

불러오는 중…

출처: leaderboard.aihub.or.kr · 우리 모델은 ⭐ 강조.

🏛️ 주권형 AX 솔루션 분야별

데이터가 네트워크를 벗어나지 않는 주권형 AI 운영체제: 행정·시민·산업 데이터를 로컬에서 안전하게 연결합니다.

Public · Local-Government AX

Administration overload · fragmented data · cloud-AI security concerns → a local sovereign AI operating system.

🧠

Darwin LLM

Region-tuned LLM

Language · administration · industry models tuned for each region.

🛡️

AETHER Trust

Grounded & self-verifying

Hallucination suppression · self-verification · evidence-backed answers.

🗺️

NationalOS

Policy simulation

Policy · budget · industry simulation on regional digital twins.

🚪

CHITOS Portal

One common AI touchpoint

A shared AI access point for citizens, officials and enterprises.

🔬

Domain OS

Pharma · Material · Nutri · Legal

Vertical-domain AI plugged into the regional OS.

🔒

On-prem · Sovereign

Data stays inside

On-premise / independent-network deployment, verified by a 3-month KPI pilot.

🏗️

Building

Building: Architectural Design AI

From natural language to KS-standard floor plans (DXF·BIM·BOQ·fire-safety), and from a parcel address to code-compliant 3D building massing.

5 AX Packages

Administration

Citizen

Industry

Bio

Materials

Regulation · Sovereignty · Physical-World AX NEW

Beyond raw performance: extension solutions targeting regulatory compliance, data sovereignty and physical-world perception.

🩺

FINAL-Bench 117

AI Diagnostics · Compliance

Diagnose AI safety and regulatory fitness across 117 items before deployment or export, mapped to national frameworks (EU AI Act, GDPR, US NIST, Korea AI Act, Middle-East Shariah). B2G/B2B compliance.

Explore diagnostics →

📱

POCKET · VKAE

On-Device · Sovereign AI

35B-class on CPU with no GPU (POCKET), low-cost inference (VKAE) and fully-open Aether. Sovereign deployment for government, finance and manufacturing that keeps data off cloud APIs.

Explore POCKET →

🌍

EarthOS · Physical AI

Physical AI · Earth Observation

Give a coordinate and AI reads satellite and aerial imagery, auto-detecting 8 categories (terrain change, disaster, agriculture and more). For land, disaster and environment administration.

EarthOS demo →

도입을 검토 중이신가요?

기업 도입 · 공동연구 · 투자/파트너십: 30분 상담으로 시작하세요.

🏆 구글 리더보드🏆 Google leaderboard 📄 상세 해설 📄 Deep-dive

COVERAGE

해외 커버리지와 성과 증빙Global coverage and verified records

해외 매체와 커뮤니티가 쓴 해설, 그리고 공개 리더보드로 확인되는 기록입니다.Commentary written by overseas outlets and communities, with records verifiable on public leaderboards.

🏆 WORLD #1 · VERIFIED2026.08.02 · 구글 × 허깅페이스 공동 주최2026.08.02 · Google × Hugging Face

Google × Hugging Face✓ VERIFIED24 GPU510.58 TPS @ PPL 2.39

구글·허깅페이스 ‘Fast Gemma Challenge’: 비드래프트, 검증(VERIFIED) 세계 1위

Google × Hugging Face ‘Fast Gemma Challenge’, VIDRAFT is #1 VERIFIED

구글과 허깅페이스가 공동 주최한 글로벌 추론 가속 경연에서, 비드래프트는 품질 기준(PPL 2.39)을 지키며 510.58 TPS를 기록했습니다. 원시 속도 상위권(535.91 TPS 등)은 품질(PPL 2.44)이 깨져 미인증됐고, 구글이 비공개 프롬프트셋으로 재검증(VERIFIED)한 기록 가운데 비드래프트가 세계 1위입니다. 149개 자율 AI 에이전트가 겨룬 무대에서, 단 24대 GPU로 이룬 성과입니다.

On the Google × Hugging Face global inference-acceleration challenge, VIDRAFT hit 510.58 TPS while keeping the quality bar (PPL 2.39). The raw-speed leaders (535.91 TPS) broke quality at PPL 2.44 and went uncertified: among results Google re-verified on a private prompt set, VIDRAFT ranks #1 in the world. Achieved with just 24 GPUs, on a stage of 149 autonomous AI agents.

Fast Gemma Challenge verified leaderboard

🌐 글로벌 커버리지 · 해설

해외 매체·커뮤니티의 게재·해설: 언론 보도와는 별개

🇯🇵 Scholar Compass · 일본어 독립 해설

Darwin Family: 추가학습 없이 추론능력을 끌어올리는 진화적 병합 (arXiv 2605.14386)

🇺🇸 ReasonCore · 영어 릴리스 소개

AETHER-7B-5Attn: 가중치·코드·데이터·로그 Apache-2.0 완전공개

FINAL-Bench: LLM의 기능적 메타인지 측정 (SSRN 6280258)

🇨🇳 hyper.ai · 중국어 플랫폼 등재

POCKET: 35B MoE를 아이폰·무 GPU 노트북에서 구동 (1비트 27 tok/s · Bonsai 2.69×)

🌐 AILog · 영어 기술 분석

🇧🇷 CEVIU · 브라질 기술 뉴스레터🇧🇷 CEVIU · Brazilian tech newsletter

Fast Gemma 검증 최적화 레시피 조명: vidraft-darwin 510.58 TPS @ PPL 2.39 (검증 결과 1위)Featuring the verified Fast Gemma optimization recipe, vidraft-darwin 510.58 TPS @ PPL 2.39 (#1 verified)

🇷🇺 ASECTOR · 러시아 AI 분석 리포트🇷🇺 ASECTOR · Russian AI intelligence report

LLM 주요 이벤트 62건 분석에 비드래프트 2회 인용: vLLM 검증 510.58 TPS · 인공두뇌 연구 랩VIDRAFT cited twice in a 62-event LLM intelligence report, verified 510.58 TPS on vLLM, and the artificial-brain lab

🇰🇷 Money Note Korea · 영문판🇰🇷 Money Note Korea · English edition

허깅페이스 ‘금주의 스페이스’ 선정: ai-world 다중 에이전트 문명 시뮬레이션 (2026.9.6)Hugging Face ‘Space of the Week’: the ai-world multi-agent civilisation simulation (2026-09-06)

🌐 AI Market Watch · 영문 AI 전문지🌐 AI Market Watch · AI trade press

허깅페이스 글로벌 ‘금주의 스페이스’ 소개: 실패한 실험까지 공개한 방법론 조명 (2026.9.6)Featured in Hugging Face’s global Space of the Week, noting the openly documented failed experiments (2026-09-06)

🇺🇸 Mid Florida Newspapers · 美 보도자료 게재🇺🇸 Mid Florida Newspapers · US press release

“어느 AI가 신약 후보를 더 잘 찾는가”: 공개 신약탐색 챌린지, 사흘 만에 분자 2,000건 접수 (2026.8.19)“Which AI is better at discovering drug candidates?”: Open Discovery Challenge drew 2,000+ molecules in three days (2026-08-19)

🇧🇷 Alabia Insights · 브라질 AI 매체🇧🇷 Alabia Insights · Brazilian AI outlet

AX-Ray: AI 모델의 ‘인과 누설’ 결함을 진단하다 (포르투갈어, 2026.8.17)AX-Ray: diagnosing causal-leakage faults in AI models (Portuguese, 2026-08-17)

🇪🇸 Donweb · 스페인어 기술 매체🇪🇸 Donweb · Spanish-language tech media

허깅페이스 공식 리더보드 감사 보도 · FINAL-Bench 44개 보드 중 11개 1위 (자체 감사로 명시)Audit of Hugging Face official leaderboards · FINAL-Bench leads 11 of 44 boards (self-audit noted)

🇪🇸 Donweb · 스페인어 기술 매체🇪🇸 Donweb · Spanish-language tech media

Darwin-180B-RSI, 법률 벤치 LEXam · LEXam-hard 무학습 1위 보도Darwin-180B-RSI tops the LEXam and LEXam-hard legal benchmarks without training

🔬 Metacognition research →

🔥 NEW 2026.07.19 · 완전공개 소버린 AI

🌍 완전공개 (데이터·코드·로그) Apache-2.0 From-Scratch 파운데이션 모델

오픈 LLM은 오픈소스가 아니다: 전부 공개한 한국 파운데이션 모델

비드래프트가 데이터 레시피·토크나이저·학습 코드·모든 하이퍼파라미터·전체 로그·평가 코드·중간 체크포인트까지 Apache-2.0으로 푼 from-scratch 파운데이션 모델 Aether-7B-5Attn. 그동안 ‘완전한 오픈’은 OLMo·Apertus·LLM-jp 같은 국가 프로젝트뿐이었다. 단일 한국 스타트업이, 자체 설계한 이종 어텐션 아키텍처까지 얹어 그 명단에 이름을 올렸다.

6.59B · 활성 ~2.98B (MoE) 144.2B tokens · 16× B200 7×7 라틴스퀘어 어텐션

📖 전문 읽기 → 🤗 Base Model 🤗 Instruct ▶ 라이브 데모 📦 Collection

K-AI Leaderboard Darwin Platform 2026.06

11 in the Top 20: Darwin Platform Takes Over the K-AI Leaderboard

11 models generated and derived from the Darwin Platform are in the K-AI Leaderboard Top 20. This isn't the lucky success of a single model: it's a signal that a system for repeatedly building and deriving models is working.

in Top 20

1M+

HF downloads

patents filed

K-AI Leaderboard → Intro Video ▶

Inference Acceleration VKAE 2026.06

Building One More GPU: Without Building a GPU

Inference acceleration extracts more work from the same chip through software. VKAE (VIDRAFT Kernel Acceleration Engine) recorded up to 23.4× higher throughput than the conventional approach on the same GPU. Fast, with quality intact.

23.4×

B200 throughput

10K+

tok/s (batched)

VKAE Leaderboard·Demo →

Security AI CHITOS 2026.06

It Doesn't Stop at 'Suspecting' a Vulnerability: CHITOS Autonomous Security AI

Chitos doesn't drop a finding straight into the report. Within authorized scope, it verifies directly, confirms reproducibility, and links attack paths into a kill chain. 3 stages: static scan → threat research → active exploit verification.

Test environment: http://demo.testfire.net (IBM-authorized vulnerable demo site)

Try CHITOS free →

Drug Discovery AI #1 in 16 Polaris drug-prediction benchmarks 2026.06

AI That Reads Drugs First: Polaris Global #1 in 16 Polaris drug-prediction benchmarks

#1 worldwide on 14 benchmarks across 5 fields: efficacy · solubility · toxicity · oncology kinase · ADME.

💊 Efficacy Prediction

How strongly a drug binds its target chembl236-ki → Dopamine D3 receptor binding efficacy chembl234-ki →

💧 Solubility

How well a drug dissolves in water solubility-aqsoldb →

☠️ Toxicity Prediction

Drug-induced liver injury prediction dili → DNA mutation & carcinogenicity prediction ames →

🎯 Oncology Kinase Target Prediction

EGFR + L858R mutation inhibition pkis1-egfr-mut-r → EGFR inhibition prediction pkis2-egfr-reg-v2 → EGFR reclaim leaderboard pkis2-egfr-r → EGFR mutation classification pkis1-egfr-mut-c → LOK·SLK kinase inhibition pkis2-lok-slk → KIT mutation inhibition pkis1-kit-mut →

🔬 Druggability·ADME Prediction

How much of an oral drug reaches the bloodstream bioavailability-ma → How widely a drug distributes in body tissue vdss-lombardo → CYP2D6 enzyme metabolism & drug interaction cyp2d6-substrate →

Full Polaris Leaderboard →

🧬 CHIMERA · Model Crossbreeding

Combine models without losing what made them good

Chimera merges and distills open models into stronger ones, verified with no quality loss, and independently confirmed at ICML.

What makes Chimera possible

Chimera joins models from different architecture families. That is normally impossible without retraining, tensor shapes and functional roles do not line up. Our filing on compatibility-scored heterogeneous crossbreeding (29 claims) is what makes it a procedure rather than a lucky accident: every tensor pair is scored, then sorted into what can be crossbred and what can only be transplanted.

Filed 2026-05-08 · part of the 12-application portfolio (317 claims)

Chimera = fusing several already-good AIs, without discarding their abilities, into one stronger model. VIDRAFT’s model crossbreeding & merging technology.

How Chimera is built

Every layer of an LLM is Attention + FFN (its knowledge). Chimera designs the attention itself and transplants another model’s FFN 100% intact, and it supports Mixture-of-Experts.

Conceptual overview only: the internal attention design and gating remain proprietary.

Two verified results

Only measured facts. Internal recipes stay proprietary; the results are public.

🧩

✅ Verified · lossless merge

“Frozen-Expert” merge: zero degradation

Mixing parent models like paint dilutes each strength. Instead we freeze each parent’s core intact and train only a small router that picks the best parent per question.

Result: a 2-expert Chimera (4B) kept GSM8K math at 72.5%: identical to the parent (degradation 0.0). Same-family parents merge to a neutral gain; the real lift comes from cross-family breeding plus the method on the right.

🔎

✅ Verified · at ICML ⭐

RFT edge-filter: learn the right difficulty

The way to get smarter is to train only on just-right-difficulty problems, dropping the too-easy (already known) and the too-hard (never solved), focusing on the ones solvable with a bit more effort.

Result: Darwin-V9-Chimera-4B lifted Korean KMMLU (6 subjects) from 42.9% to 48.3% (+5.4%p), with no forgetting. The principle: data selection over hyperparameters, was independently confirmed by ICML 2026 work.

Would combining the best AIs make them stronger? Usually, blending them blurs each one’s strengths. Chimera keeps each model’s strengths fully intact and lets a small “conductor” pick the right expert per problem, so ability never collapses. Add VIDRAFT’s “learn only the right-difficulty problems” method, and skill rises without forgetting (+5.4%p on a Korean reasoning benchmark): a principle independently backed by ICML 2026 research.

🔒 What we show, and what we keep

We publish the concepts and the measured results. The internal merge recipes, filter thresholds and gate formulas stay proprietary. Every number here is measured, no inflated claims.

A related research thread: experts cross-checking each other to reduce hallucination, lives under AETHER. Open the AETHER page to read more.

Chimera로 만든 공개 모델

합체로 만든 개체를 자체 정제 파이프라인으로 끌어올린 결과물입니다. 가중치와 수치를 공개해 누구나 재현할 수 있습니다.

Model · 4B · Open weights

Darwin-4B-Chimera

Chimera 4B 계보를 자체 정제해 한국어 지식 추론을 끌어올린 모델. KMMLU 6과목 240문항 held-out(greedy)에서 42.9% → 48.3% (+5.4%p).

KMMLU 48.3% 4.02B greedy · 240 held-out

huggingface.co/FINAL-Bench/Darwin-4B-Chimera

※ 240문항 기준 표준오차 약 ±1.4%p: 더 큰 셋에서 재확인 필요. KMMLU 6과목 한정 수치이며 전 도메인 일반화를 뜻하지 않습니다. 4B 모델로 플래그십과 직접 비교 대상이 아닙니다. 합체·정제의 내부 설계는 비공개(결과만 공개).

도입을 검토 중이신가요?

기업 도입 · 공동연구 · 투자/파트너십: 30분 상담으로 시작하세요.