키메라는 이미 잘하는 여러 AI를 각자의 강점을 버리지 않고 하나로 합쳐 더 강한 모델을 만드는 VIDRAFT의 모델 교배·병합 기술입니다.
키메라는 아키텍처 계열이 서로 다른 모델을 잇습니다. 원래는 추가 학습 없이 불가능한 일입니다: 텐서의 모양도 역할도 맞지 않기 때문입니다. 「호환성 평가 기반 이기종 신경망 교배」 특허(청구항 29)가 이것을 운이 아니라 절차로 만듭니다. 모든 텐서 쌍에 호환성 점수를 매기고, 교배할 것과 이식만 할 것을 나눕니다.
2026-05-08 출원 · 총 12건 포트폴리오(청구항 317개)의 일부
Chimera = 이미 잘하는 여러 AI를 능력을 버리지 않고 하나로 합쳐 더 강한 모델을 만드는 VIDRAFT의 모델 교배·병합 기술.
LLM의 각 층은 어텐션 + FFN(지식)으로 이뤄집니다. 키메라는 어텐션 영역을 직접 설계하고, 타 모델의 FFN을 100% 그대로 떼어와 이식합니다, MoE 구조도 지원합니다.
개념 개요일 뿐, 내부 어텐션 설계·게이팅은 비공개입니다.
실측 사실만. 내부 레시피는 비공개, 결과는 공개.
부모 모델을 물감처럼 섞으면 각자 강점이 희석됩니다. 우리는 각 부모의 핵심부를 통째로 동결 보존하고, 작은 라우터만 학습해 문제마다 최적 부모를 고릅니다.
결과: 2-전문가 키메라(4B)가 GSM8K 수학을 72.5%로 유지: 부모와 동일(저하 0.0). 같은 계열 부모끼리는 이득이 중립(0)이고, 진짜 이득은 이종 부모 교배 + 오른쪽 학습법에서 나옵니다.
똑똑해지는 비법은 딱 알맞은 난이도 문제만 학습하는 것: 너무 쉬운(이미 아는) 것도, 너무 어려운(전혀 못 푸는) 것도 빼고, 조금만 더 하면 맞출 문제에 집중합니다.
결과: Darwin-V9-Chimera-4B가 한국어 KMMLU(6과목)를 42.9%→48.3%(+5.4%p), 망각 없이 향상. “데이터 선별 > 하이퍼파라미터” 원리를 ICML 2026 연구가 독립 검증. 240문항 소표본 측정 · 대형 eval 확증 진행 중.
최고의 AI들을 합치면 더 강해질까요? 보통은 섞으면 각자의 강점이 흐려집니다. 키메라는 각 모델의 강점을 통째로 보존한 채 합치고, 작은 “지휘자”가 문제마다 최적 전문가를 골라냅니다, 합쳐도 능력이 무너지지 않습니다. 여기에 “딱 알맞은 난이도만 학습”하는 VIDRAFT 학습법을 더해 망각 없이 실력을 끌어올렸습니다(한국어 추론 벤치 +5.4%p). 이 원리는 ICML 2026 최신 연구가 독립적으로 뒷받침했습니다.
개념과 실측 결과는 공개합니다. 내부 병합 레시피·필터 임계값·게이트 수식은 비공개입니다. 모든 수치는 실측이며 과장은 없습니다.
관련 연구: 전문가들이 서로의 답을 검증해 환각을 줄이는 연구: 는 AETHER 하부에 있습니다. AETHER 페이지에서 확인하세요.
합체로 만든 개체를 자체 정제 파이프라인으로 끌어올린 결과물입니다. 가중치와 수치를 공개해 누구나 재현할 수 있습니다.
Chimera 4B 계보를 자체 정제해 한국어 지식 추론을 끌어올린 모델. KMMLU 6과목 240문항 held-out(greedy)에서 42.9% → 48.3% (+5.4%p).
※ 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).