---
license: other
language:
- en
task_categories:
- text-generation
tags:
- llm0to1
- pretrain
- tokenized
pretty_name: "LLM0to1 사전학습 토큰화본 — 코드"
size_categories:
- n>1T
---

# LLM0to1 사전학습 토큰화본 — 코드

10B 규모 한/영 이중언어 LLM **LLM0to1-10b** 를 바닥부터 학습할 때 실제로 투입된
**코드 코퍼스의 토큰화본**. 총 **27종 / 59.1B 토큰**.

## 왜 원문 텍스트가 아니라 토큰화본인가

이 코퍼스들은 공개 데이터셋을 스트리밍으로 받아 **곧바로 토큰화**했고 중간 텍스트를 보관하지 않았다.
따라서 이 `.ds` 파일이 **학습에 들어간 데이터의 유일한 사본**이다.

단점만 있는 건 아니다. 토큰화본은 학습 입력 그 자체이므로,
재토큰화 과정에서 생길 수 있는 차이 없이 **학습을 그대로 재현**할 수 있다.

## 원본 출처

`bigcode/starcoderdata`(언어별 서브셋) · `bigcode/commitpackft` · `bigcode/jupyter-code-text-pairs` · `deepmind/code_contests`

`code_c` 와 `code_c2` 처럼 `2` 가 붙은 것은 정제기 v2(`code_data_prep_v2.py`)로 다시 만든 판이다. 둘 다 학습에 투입됐다.

## 수록 목록

| 코퍼스 | 토큰 |
|---|---|
| `code_c2` | 5.41B |
| `code_cpp` | 4.62B |
| `code_sql` | 4.52B |
| `code_c` | 4.24B |
| `code_cpp2` | 3.72B |
| `code_go` | 3.33B |
| `code_python2` | 3.26B |
| `code_php` | 3.19B |
| `code_c-sharp` | 3.07B |
| `code_java2` | 2.68B |
| `code_rust` | 2.61B |
| `code_python` | 2.56B |
| `code_javascript2` | 2.28B |
| `code_java` | 2.10B |
| `code_javascript` | 1.78B |
| `code_kotlin` | 1.43B |
| `code_typescript` | 1.30B |
| `code_ruby` | 1.20B |
| `code_shell` | 1.07B |
| `code_lua` | 0.97B |
| `code_dart` | 0.92B |
| `code_scala` | 0.74B |
| `code_assembly` | 0.68B |
| `code_fortran` | 0.63B |
| `code_julia` | 0.46B |
| `code_erlang` | 0.22B |
| `code_r` | 0.09B |

## 파일 형식

각 코퍼스는 `<코퍼스명>.tar.zst` 하나로 묶여 있다. 압축을 풀면:

```
<코퍼스명>/
  00000_unshuffled.ds            토큰 ID 연속열 (uint32, little-endian)
  00000_unshuffled.ds.index      문서 경계 오프셋
  00000_unshuffled.ds.metadata   원본 파일·행 매핑
  00001_unshuffled.ds ...
```

datatrove/nanotron 토큰화 산출물이다. `zstd` 로 약 14% 까지 줄어드는데,
vocab 이 160k 라 uint32 의 상위 2바이트가 대부분 0 이기 때문이다.

## 사용법

### 1) 내려받아 압축 풀기

```bash
huggingface-cli download izlley2/llm0to1-pt-tokenized-code --repo-type dataset --local-dir ./tok
cd tok && for f in *.tar.zst; do zstd -d "$f" -c | tar -x; done
```

### 2) 텍스트로 되돌려 내용 확인

```python
import numpy as np
from transformers import AutoTokenizer

tok = AutoTokenizer.from_pretrained("izlley2/llm0to1-tokenizer")   # vocab 160k, byte-level BPE
ids = np.fromfile("<코퍼스명>/00000_unshuffled.ds", dtype=np.uint32)
print(f"{len(ids):,} 토큰")
print(tok.decode(ids[:2000]))
```

### 3) 학습에 바로 투입 (nanotron)

압축 푼 디렉토리를 config 의 데이터 폴더로 지정한다:

```yaml
data_stages:
  - name: my_stage
    start_training_step: 1
    data:
      dataset:
        dataset_folder:
          /path/to/tok/<코퍼스명>: 1.0      # 값은 믹스 가중치
```

## 주의

- **토크나이저가 반드시 이것이어야 한다** — `izlley2/llm0to1-tokenizer`.
  vocab 크기가 다른 토크나이저로 디코딩하면 완전히 다른 텍스트가 나온다.
- `.ds` 는 문서 구분자 없이 이어붙인 토큰열이다. 문서 단위로 나누려면 `.ds.index` 를 함께 읽어야 한다.
- 원본 데이터셋들의 라이선스가 각각 적용된다. 위 "원본 출처" 를 확인할 것.

## 관련

- **`izlley2/llm0to1-repro-manifest`** — 코퍼스 116종 전체의 출처·전처리 스크립트·토큰수·믹스 가중치
- `izlley2/llm0to1-tokenizer` — 토크나이저
- `izlley2/LLM0to1-10b-step20000`, `-step83000` — 사전학습 체크포인트(HF 포맷)
- `izlley2/LLM0to1-10b-step83000-nanotron` — 같은 체크포인트(nanotron 포맷, 학습 재개용)

---
*LLM0to1-10b 사전학습 재현용 아카이브.*