source/eval/data_inventory/sft_datasets.md

한국어 SFT/Instruction 데이터셋 전수 조사

조사일: 2026-02-27 조사 범위: HuggingFace Hub 한국어 SFT/Instruction 데이터셋

---

1. 현재 SFT 데이터 현황

항목	값
파일	/PROJECT/.../data/sft/train.jsonl
총 건수	161,848
포맷	instruction / input / output (Alpaca 형식)
소스 필드	❌ 없음 (source 키 미존재)

⚠️ 소스 추적이 불가능하여 중복/출처 검증이 어려움. 향후 데이터 추가 시 source 필드 필수 권장.

---

2. HuggingFace 한국어 SFT 데이터셋 목록

Tier 1 — 최고품질 (인간 작성 / 강력 필터링 / GPT-4 생성+검증)

데이터셋	크기	언어	설명	DL
nlpai-lab/kullm-v2	10K~100K	🇰🇷	GPT-4 기반 한국어 instruction, 커뮤니티 검증	730
FreedomIntelligence/alpaca-gpt4-korean	~52K	🇰🇷	GPT-4로 생성한 한국어 Alpaca	158
dbdu/ShareGPT-74k-ko	10K~100K	🇰🇷	ShareGPT 한국어 번역, 멀티턴 대화	169
squarelike/sharegpt_deepl_ko_translation	~50K+	🇰🇷	ShareGPT DeepL 번역, 고품질 번역체	41
kuotient/orca-math-word-problems-193k-korean	100K~1M	🇰🇷	수학 문제 한국어 번역, 대규모	396
HuggingFaceH4/no_robots	~10K	🇬🇧	인간 작성 고품질 (영어, 번역 가치 높음)	5,211
allenai/tulu-3-sft-mixture	100K~1M	다국어	Allen AI 최신 SFT 믹스, 고품질 큐레이션	22,453
HAERAE-HUB/K2-Feedback	~수천	🇰🇷	한국어 평가/피드백 데이터	54

Tier 2 — 중간 품질 (GPT-3.5/4 생성, 부분 검증)

데이터셋	크기	언어	설명	DL
beomi/KoAlpaca-v1.1a	~52K	🇰🇷	한국어 Alpaca, 널리 사용	3,096
kyujinpy/KOR-OpenOrca-Platypus-v3	10K~50K	🇰🇷	OpenOrca+Platypus 한국어 병합	612
kyujinpy/OpenOrca-KO	10K~50K	🇰🇷	OpenOrca 한국어 번역	139
squarelike/OpenOrca-gugugo-ko	10M~100M	🇰🇷	초대규모 OpenOrca 한국어 번역	82
nlp-with-deeplearning/Ko.WizardLM_evol_instruct_V2_196k	~196K	🇰🇷	WizardLM Evol Instruct 한국어	20
heegyu/open-korean-instructions	다양	🇰🇷	여러 한국어 instruction 통합	214
nayohan/instruction_en_ko_translation_1.4m	1.4M	🇰🇷	대규모 영→한 instruction 번역	11
nayohan/Evol-Instruct-Code-80k-v1-ko	~80K	🇰🇷	코드 instruction 한국어	23
changpt/ko-lima-vicuna	<1K	🇰🇷	LIMA+Vicuna 한국어 (소량 고품질)	43
OpenLab-NLP/tiny-instruct-ko	~수만	🇰🇷	한국어 instruction 소규모	127
nlpai-lab/openassistant-guanaco-ko	1K~10K	🇰🇷	OpenAssistant Guanaco 한국어	48
HuggingFaceH4/ultrachat_200k	100K~1M	🇬🇧	고품질 대화 (영어, 번역 가치)	33,729
kyujinpy/KOpen-platypus	~25K	🇰🇷🇬🇧	Platypus 한국어	306

Tier 3 — 참고용 (노이즈 가능성, 추가 필터링 필요)

데이터셋	크기	언어	설명	DL
CarrotAI/ko-instruction-dataset	1K~10K	🇰🇷	소규모	71
CarrotAI/ko-code-alpaca-QA	소규모	🇰🇷	코드 QA	71
causal-lm/instructions-ko	불명	🇰🇷		21
junelee/sharegpt_deepl_ko	~수만	🇰🇷	DeepL 번역	86
neuralfoundry-coder/aihub-korean-education-instruct-sample	샘플	🇰🇷	교육 도메인	32
neuralfoundry-coder/korean-legal-instruction-sample	샘플	🇰🇷	법률 도메인	30

영어 대규모 (번역 파이프라인으로 활용 가능)

데이터셋	크기	설명	DL
Open-Orca/OpenOrca	~4M	FLAN 기반 대규모	-
teknium/OpenHermes-2.5	~1M	고품질 혼합	-
WizardLM/WizardLM_evol_instruct_V2_196k	196K	Evol Instruct	-
stingning/ultrachat	1M~10M	대화형	2,838
iamtarun/python_code_instructions_18k_alpaca	18K	코드	6,499
sahil2801/CodeAlpaca-20k	20K	코드	12,060

---

3. 도메인 커버리지 분석

현재 데이터 (161K) 추정 도메인 분포

데이터에 source 필드가 없어 정확한 분석 불가. 데이터 내용 샘플링 기반 추정:

도메인	추정 비율	상태
일반 지식/QA	~40%	✅ 충분
번역체 대화	~25%	✅ 충분
창작/글쓰기	~15%	⚠️ 보통
코딩	~5%	❌ 부족
수학/과학	~5%	❌ 부족
한국어 특화 (문화/역사/법률)	~5%	❌ 부족
롤플레이/페르소나	~5%	⚠️ 보통

도메인 갭 (부족한 영역)

1. 수학/논리 추론 — 현재 거의 없음. kuotient/orca-math-word-problems-193k-korean (193K)로 즉시 보완 가능
2. 코딩 — 한국어 코드 instruction 극소. nayohan/Evol-Instruct-Code-80k-v1-ko (80K) 활용 필요
3. 한국어 특화 지식 — 한국 문화, 역사, 법률, 수능 등 도메인 특화 데이터 부족
4. 멀티턴 대화 — 싱글턴 QA 위주. dbdu/ShareGPT-74k-ko, ultrachat_200k 번역으로 보완
5. Safety/거절 응답 — 유해 요청 거절 학습 데이터 부재

---

4. 즉시 다운로드 권장 Top 5

🥇 1. kuotient/orca-math-word-problems-193k-korean

• 크기: ~193K
• 이유: 수학 도메인 완전 보완. 한국어 네이티브 번역. 대규모.
• 품질: Tier 1-2 (Orca Math 기반, 검증됨)
• 우선도: ★★★★★

🥈 2. dbdu/ShareGPT-74k-ko

• 크기: ~74K
• 이유: 실제 ChatGPT 대화 기반 멀티턴. 다양한 도메인. 번역 품질 양호.
• 품질: Tier 1 (실사용자 대화 기반)
• 우선도: ★★★★★

🥉 3. nayohan/Evol-Instruct-Code-80k-v1-ko

• 크기: ~80K
• 이유: 코딩 도메인 유일한 대규모 한국어 데이터. WizardCoder 기반.
• 품질: Tier 2
• 우선도: ★★★★☆

4️⃣ 4. nlp-with-deeplearning/Ko.WizardLM_evol_instruct_V2_196k

• 크기: ~196K
• 이유: Evol Instruct로 난이도 다양. 복잡한 instruction 포함. 대규모.
• 품질: Tier 2
• 우선도: ★★★★☆

5️⃣ 5. FreedomIntelligence/alpaca-gpt4-korean

• 크기: ~52K
• 이유: GPT-4 생성으로 응답 품질 높음. 기존 Alpaca 데이터와 상보적.
• 품질: Tier 1
• 우선도: ★★★☆☆

---

5. 추가 권장 사항

즉시 조치

1. 현재 train.jsonl에 source 필드 추가 (역추적 or 향후 데이터부터)
2. Top 5 데이터셋 다운로드 → 중복 제거 → source 태깅 후 병합
3. 예상 추가 데이터: ~595K (193K + 74K + 80K + 196K + 52K)
4. 병합 후 총 규모: ~757K (현재 162K + 595K)

중기 계획

• nayohan/instruction_en_ko_translation_1.4m — 1.4M 대규모이나 품질 검증 필요
• squarelike/OpenOrca-gugugo-ko — 초대규모(10M+)이나 노이즈 필터링 필수
• allenai/tulu-3-sft-mixture — 다국어 포함, 한국어 부분 추출 가치
• Safety 데이터 자체 구축 (유해 요청 거절 시나리오)

도메인 특화 보강

• 법률: neuralfoundry-coder/korean-legal-instruction-sample (샘플만 공개, AI Hub 원본 확인 필요)
• 교육: neuralfoundry-coder/aihub-korean-education-instruct-sample
• 의료: squarelike/ko_medical_chat (25 DL, 소규모)

---

6. 404 (삭제/비공개) 데이터셋

다음 데이터셋은 현재 접근 불가:

• Bingsu/ko-alpaca-cleaned ❌
• naver-clova-ix/koco-v1-5 (별도 확인 필요)
• kuotient/korean-conversation-dataset (별도 확인 필요)
• HAERAE-HUB/K2-Bench-Instruction ❌
• nayohan/llama3-instruct-ko ❌
• Bongseok/Kor-Platypus2 ❌
• kuotient/orca-math-word-problems-korean ❌ (→ orca-math-word-problems-193k-korean이 정확한 이름)
• kyujinpy/Kor-Platypus2-T70k ❌
• HAERAE-HUB/qarv-instruct-100k ❌