source/eval/domain_survey/code_math.md

코드 / 수학 / 과학 데이터셋 전수 조사

목적: 한국어 LLM 3B 모델 학습용 코딩·수학·과학 데이터셋 전수 조사
작성일: 2026-02-27
조사 범위: HuggingFace Hub, bigcode, AI-Hub 등

---

1. 코드 데이터셋

1.1 전체 목록 테이블

#	데이터셋	규모	언어	한국어 주석	라이선스	형태	추천도
1	bigcode/the-stack-v2-dedup	32.1TB / ~900B tok	600+ 언어	일부 포함 (필터 필요)	혼합 (permissive only)	raw code	★★★★★
2	bigcode/starcoderdata	783GB / ~250B tok	86 언어	일부 포함	혼합 (permissive)	clean code+docs	★★★★☆
3	nayohan/Evol-Instruct-Code-80k-v1-ko	78.3k samples	한국어+코드	✅ 한국어 질문	미상 (GPT-4 번역)	instruction-output	★★★★☆
4	nickrosh/Evol-Instruct-Code-80k-v1	78.3k samples	영어+코드	❌	MIT	instruction-output	★★★☆☆
5	CodeResearch/Code-Evol-Instruct-OSS	4.31k samples	영어+코드	❌	오픈소스	instruction-output	★★☆☆☆
6	bigcode/the-stack-v2	67.5TB full	600+ 언어	일부 포함	혼합	raw code (SWHID)	★★★★☆

---

1.2 Top 3 상세 분석

---

🥇 1위: bigcode/the-stack-v2-dedup

항목	내용
HuggingFace URL	https://huggingface.co/datasets/bigcode/the-stack-v2-dedup
전체 크기	Full: 67.5TB / Dedup: 32.1TB / Train tokens: ~900B
파일 수	3.28B unique files, 104.2M GitHub repositories
언어 수	658개 프로그래밍/마크업 언어
수집 기간	GitHub 2023-09-06 기준
근중 언어	Python, JavaScript, TypeScript, Java, C++, C#, Go, Rust 등
한국어 주석 비율	직접 측정 없음. GitHub 한국어 레포 기준 추정 ~1-3%
라이선스 구조	permissive 라이선스만 포함 (MIT, Apache-2.0, BSD 등), 파일별 provenance 제공
접근 방법	SoftwareHeritage+INRIA 동의 필요 (AWS S3 bulk download)
전처리 수준	Near-dedup 완료, PII 제거 필요, 언어별 필터링 가능
주요 메타데이터	repo_name, detected_licenses, star/fork count, language, is_vendor, length_bytes
특이사항	실제 파일 콘텐츠는 SWH S3에서 별도 다운로드 필요

추천 이유:

• 최대 규모의 오픈소스 코드 데이터셋
• permissive 라이선스만 포함해 법적 리스크 낮음
• 언어별 서브셋 로드 가능 (load_dataset("bigcode/the-stack-v2-dedup", "Python"))
• StarCoder2 학습 베이스 데이터

한국어 LLM 활용 전략:

# Python 서브셋만 로드
ds = load_dataset("bigcode/the-stack-v2-dedup", "Python", split="train")
# 한국어 주석 포함 파일 필터링 (heuristic)
korean_ds = ds.filter(lambda x: any(ord(c) > 0xAC00 for c in x.get("content", "")))

---

🥈 2위: bigcode/starcoderdata

항목	내용
HuggingFace URL	https://huggingface.co/datasets/bigcode/starcoderdata
전체 크기	783GB / ~250B tokens
언어 수	86개 프로그래밍 언어
추가 데이터	GitHub Issues (54GB), Jupyter Notebooks (13GB), GitHub Commits (32GB)
한국어 주석 비율	직접 통계 없음. GitHub 한국 개발자 레포 포함
라이선스	원본 레포 라이선스 준수, Terms 동의 필요
전처리 수준	이미 dedup + clean + PII 제거 완료
Downloads	15,556/월 (인기 데이터셋)
사용 모델	StarCoder, StarCoderBase 학습 데이터

추천 이유:

• The Stack v2보다 작지만 이미 정제된 상태 (바로 학습 가능)
• GitHub Issues/Jupyter/Commits 포함으로 다양한 코드 컨텍스트
• StarCoder 논문에서 검증된 품질

활용법:

# Python만 로드
ds = load_dataset("bigcode/starcoderdata", data_dir="python", split="train")
# jupyter notebooks
ds = load_dataset("bigcode/starcoderdata", data_dir="jupyter-scripts-dedup-filtered")

---

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

항목	내용
HuggingFace URL	https://huggingface.co/datasets/nayohan/Evol-Instruct-Code-80k-v1-ko
샘플 수	78,326개
형태	instruction-output 페어 (SFT용)
한국어	✅ 질문(instruction)이 한국어로 번역됨
코드 언어	Python 중심, 알고리즘/자료구조/코딩문제
원본	nickrosh/Evol-Instruct-Code-80k-v1 (GPT-4 번역)
라이선스	미명시 (GPT-4 output 포함 주의)
Downloads	23/월
전처리	번역 품질 일부 이슈 (기계번역 오류 존재)

추천 이유:

• 즉시 SFT에 활용 가능한 한국어 코딩 instruction 데이터
• 78k 규모로 파인튜닝용으로 충분
• instruction이 한국어로 됨 → 한국어 질문에 코드 응답하는 능력 학습

주의사항:

• GPT-4 번역 기반 → 라이선스 불명확 (상업 사용 주의)
• 번역 품질 검토 후 필터링 권장
• 일부 instruction이 어색한 한국어

---

1.3 코드 데이터 수집 전략 요약

Pretrain용:
  우선순위 1: bigcode/starcoderdata (Python, JavaScript, etc.) → 즉시 사용 가능
  우선순위 2: bigcode/the-stack-v2-dedup (필요 언어 서브셋) → 규모 확대 시

SFT용:
  우선순위 1: nayohan/Evol-Instruct-Code-80k-v1-ko → 한국어 코딩 Q&A
  우선순위 2: nickrosh/Evol-Instruct-Code-80k-v1 (영어) → 번역 또는 직접 사용

한국어 주석 코드 추출:
  the-stack-v2-dedup에서 한글 포함 파일 필터링 (regex: [\uAC00-\uD7A3])
  → 한국 개발자가 작성한 코드 추출 가능

---

2. 수학 데이터셋

2.1 전체 목록 테이블

#	데이터셋	규모	언어	난이도	풀이과정	라이선스	추천도
1	kuotient/orca-math-word-problems-193k-korean	193k	한국어+영어	초등~중학	✅	미상	★★★★★
2	re2panda/grade_school_math_korean	7.47k	한국어	초등~중학	✅	MIT	★★★★☆
3	openai/gsm8k	8.5k	영어	초등~중학	✅ (CoT)	MIT	★★★★☆
4	open-web-math/open-web-math	6.3B tok	영어	전 난이도	❌ (raw)	ODC-By	★★★☆☆
5	hendrycks/math	12.5k	영어	고등~대학	✅	MIT	★★★☆☆
6	Quadyun/Korean_SAT_MATH	120	한국어	수능 수준	일부	미상	★★☆☆☆
7	kuotient/orca-math-korean-dpo-pairs	193k	한국어	초등~중학	✅ (DPO)	미상	★★★★☆

---

2.2 Top 3 상세 분석

---

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

항목	내용
HuggingFace URL	https://huggingface.co/datasets/kuotient/orca-math-word-problems-193k-korean
샘플 수	193,264개
언어	한국어 + 영어 (이중 언어)
난이도	초등~중학교 수준 수학 문장제
문제 유형	수 계산, 비율, 나이 문제, 기하, 확률, 방정식 등
풀이 과정	✅ 상세 단계별 풀이 포함
형태	문제(한국어) + 풀이(한국어) + 문제(영어) + 풀이(영어)
원본	Microsoft Orca-Math (Synthetic data)
Downloads	396/월

데이터 예시:

문제: 정국이 5위입니다. 정국보다 결승선을 먼저 통과한 사람의 수를 찾아보세요.
풀이: 정국이 5위라면 4명이 정국보다 먼저 결승선을 통과한 셈입니다.

문제: 숫자를 10으로 나눈 값은 6입니다. 윤기는 특정 숫자로부터 15를 빼서 결과를 얻었습니다.
풀이: x / 10 = 6 → x = 60 → 결과 = 60 - 15 = 45

추천 이유:

• 가장 큰 한국어 수학 데이터셋 (193k)
• 이중언어로 한국어-영어 수학 추론 능력 동시 학습
• 단계별 풀이로 Chain-of-Thought 학습에 최적
• BTS 멤버 이름 사용 (한국 문화 맥락 자연스럽게 포함)

---

🥈 2위: kuotient/orca-math-korean-dpo-pairs

항목	내용
HuggingFace URL	https://huggingface.co/datasets/kuotient/orca-math-korean-dpo-pairs
샘플 수	193k DPO pairs
언어	한국어
형태	chosen / rejected 쌍 (DPO 학습용)
활용	RLHF/DPO 단계에서 수학 추론 품질 향상

추천 이유:

• 위 193k와 세트로 사용 가능
• DPO 방식으로 수학 답변 품질 향상

---

🥉 3위: openai/gsm8k

항목	내용
HuggingFace URL	https://huggingface.co/datasets/openai/gsm8k
샘플 수	8,500개 (train: 7,473 / test: 1,319)
언어	영어
난이도	초등중학교 (8.5세12세 수준)
문제 유형	수학 문장제 (1~8단계 추론)
풀이 과정	✅ CoT 단계별 풀이 + 최종 답
라이선스	MIT
Downloads	매우 높음 (표준 벤치마크)

특징:

• main split: 자연어 CoT 풀이
• socratic split: 서브문제 분해 방식
• 표준 LLM 수학 벤치마크로 re2panda/grade_school_math_korean이 이를 한국어로 번역

---

2.3 수학 데이터 추가 후보

데이터셋	규모	특징
Quadyun/Korean_SAT_MATH	120문제	한국 수능 수학, 소규모지만 고품질
open-web-math/open-web-math	6.3B tok	웹 수학 raw 텍스트, 영어, pretrain용
hendrycks/math (MATH)	12.5k	경시대회 수준 수학, 영어, 고난이도

---

3. 과학 데이터셋

3.1 전체 목록 테이블

#	데이터셋	규모	언어	분야	난이도	라이선스	추천도
1	amphora/korean_science_papers	17k papers	한국어	생명/화학/의학/식품	대학원	공개 (학술지)	★★★★★
2	hiteshpatel945/korean-stem	316k	한국어	STEM 전반	다양	미상	★★★☆☆
3	minpeter/arxiv-abstracts-korean	50	한국어	CS/물리/수학	대학원	미상	★☆☆☆☆
4	minpeter/arxiv-papers-korean-nllb-600M	10	한국어	전반	대학원	미상	★☆☆☆☆

---

3.2 Top 3 상세 분석

---

🥇 1위: amphora/korean_science_papers

항목	내용
HuggingFace URL	https://huggingface.co/datasets/amphora/korean_science_papers
샘플 수	17,000+ 논문
언어	한국어 (일부 영어 키워드/단위 혼재)
분야	생명과학, 식품과학, 의학, 화학, 환경 등
난이도	학술 대학원 수준
형태	논문 전문 (서론, 재료/방법, 결과/고찰, 결론)
특이사항	LaTeX 수식 포함, category 필드 있음 (생명, 화학 등)
접근성	공개 (별도 동의 없음)
Downloads	17k (최신)

데이터 구조:

{
  "title": "논문 제목",
  "context": "논문 전문 (섹션 포함)",
  "category": "생명"  // 생명, 화학, 의학 등
}

예시 데이터:

[생명과학 논문]
지방세포로의 분화 초기단계에서 contact inhibition에 의해 증식이 정지되어 있던 
세포는 지방세포 유도 복합체에 의해 다시 세포 증식을 시작하는데...
C/EBPβ 발현이 RLE에 의해 저해됨을 확인하였기에...

[식품과학 논문]
쌀은 동남북아시아 국가에서 주식으로 사용되는 주요 곡물로서 전 세계적으로 
5,670만톤이 생산되며... 단백질 농축물을 제조하였으며...

추천 이유:

• 유일한 대규모 한국어 과학 논문 데이터셋
• 과학적 전문 용어, 실험 방법, LaTeX 수식 포함
• 카테고리별 필터링 가능
• 한국 과학 어휘 및 표현 학습에 최적

---

🥈 2위: hiteshpatel945/korean-stem

항목	내용
HuggingFace URL	https://huggingface.co/datasets/hiteshpatel945/korean-stem
샘플 수	316k
언어	한국어
분야	STEM 전반
업데이트	2025년 (최신)
접근성	공개
Downloads	2/월 (신규 데이터셋)
주의	데이터 품질 및 출처 미상, 검증 필요

추천 이유:

• 대규모 한국어 STEM 데이터
• 교과서 수준 과학 지식 포함 가능성

주의사항:

• 다운로드 수 낮아 품질 검증 필요
• 출처 및 라이선스 확인 필수

---

🥉 3위: minpeter/arxiv-abstracts-korean

항목	내용
HuggingFace URL	https://huggingface.co/datasets/minpeter/arxiv-abstracts-korean
샘플 수	50 (매우 소규모)
언어	한국어
분야	CS, 물리, 수학 (arXiv)
형태	arXiv 논문 초록 번역

한계: 50개 샘플로 실용적 학습 불가. 참고용에 그침.

---

3.3 과학 데이터 보완 전략

현재 한국어 과학 데이터는 극히 부족한 상황. 보완 방법:

1. AI-Hub 코딩/IT 카테고리 데이터 (계정 신청 필요)
   - URL: https://aihub.or.kr/
   - 한국 정부 지원 고품질 데이터
   - IT/과학 교육 콘텐츠 포함

2. 웹 크롤링 (한국 과학 사이트)
   - 네이버 학술 (scholar.naver.com)
   - RISS (riss.kr) 학위논문
   - KISS (kiss.kstudy.com) 학술지
   - 한국과학기술정보연구원 (KISTI)

3. 한국 교과서 데이터
   - 국가교육과정정보센터 디지털 교과서
   - 중/고등학교 과학 교과서 OCR

4. Wikipedia 한국어판 과학 문서
   - 이미 많은 한국어 LLM 학습에 포함
   - 물리, 화학, 생물, 지구과학 문서

---

4. 종합 추천 및 우선순위

4.1 즉시 사용 가능 (High Priority)

우선순위	데이터셋	도메인	토큰 수 추정	이유
🔴 P1	bigcode/starcoderdata (Python subset)	코드	~50B	즉시 pretrain 가능, 검증됨
🔴 P1	kuotient/orca-math-word-problems-193k-korean	수학	~200M	최대 한국어 수학, SFT/pretrain
🔴 P1	amphora/korean_science_papers	과학	~150M	유일한 한국어 과학 논문
🟡 P2	nayohan/Evol-Instruct-Code-80k-v1-ko	코드	~80M	한국어 코딩 SFT
🟡 P2	re2panda/grade_school_math_korean	수학	~15M	한국어 GSM8K SFT
🟡 P2	openai/gsm8k	수학	~10M	영어 CoT, 번역 or 직접 사용

4.2 조사 중 미확인 / 추가 조사 필요

데이터셋	현황	비고
AI-Hub 코딩/IT	계정 신청 필요	고품질 한국어 IT 데이터 기대
hiteshpatel945/korean-stem	품질 미검증	316k, 신규 데이터셋
GitHub 한국어 레포 직접 수집	별도 작업 필요	한국 개발자 공개 레포 크롤링
수능/내신 수학 문제집 OCR	별도 수집 필요	고품질 한국 수학

4.3 라이선스 위험도 정리

위험도	데이터셋	이유
🟢 안전	bigcode/the-stack-v2, starcoderdata	permissive 라이선스만, provenance 제공
🟢 안전	openai/gsm8k, hendrycks/math	MIT
🟢 안전	re2panda/grade_school_math_korean	MIT
🟡 주의	nayohan/Evol-Instruct-Code-80k-v1-ko	GPT-4 output 포함 (OpenAI ToS 이슈)
🟡 주의	amphora/korean_science_papers	학술지 저작권 (연구 목적은 fair use 가능성)
🔴 불명확	hiteshpatel945/korean-stem	출처 미상

---

5. 한국어 코드 주석 추출 방법

The Stack v2에서 한국어 주석이 포함된 코드 추출:

from datasets import load_dataset
import re

def has_korean_text(text, min_korean_chars=10):
    """한글 10글자 이상 포함 여부 확인"""
    korean_chars = re.findall(r'[\uAC00-\uD7A3]', text)
    return len(korean_chars) >= min_korean_chars

def extract_korean_code(examples):
    """한국어 주석 포함 코드 필터링"""
    content = examples.get("content", "")
    return has_korean_text(content)

# Python 서브셋 로드 (streaming 권장)
ds = load_dataset(
    "bigcode/the-stack-v2-dedup", 
    "Python",
    split="train",
    streaming=True
)

# 한국어 포함 파일만 필터
korean_code_ds = ds.filter(extract_korean_code)

예상 비율: Python의 경우 한국어 주석 포함 파일 ~0.5-2% (GitHub 한국 사용자 비율 기반 추정)

---

6. 데이터 조합 추천 (3B 모델 학습 기준)

Pretrain 믹스 (코드+수학+과학)

pretrain_mix:
  code:
    - source: bigcode/starcoderdata
      languages: [python, javascript, java, cpp, typescript]
      sampling_weight: 0.35
      tokens: ~50B
    - source: bigcode/the-stack-v2-dedup (한국어 주석 필터)
      sampling_weight: 0.05
      tokens: ~5B
  
  math:
    - source: open-web-math/open-web-math
      sampling_weight: 0.10
      tokens: ~10B
    - source: kuotient/orca-math-word-problems-193k-korean
      sampling_weight: 0.05
      tokens: ~200M

  science:
    - source: amphora/korean_science_papers
      sampling_weight: 0.03
      tokens: ~150M

# 나머지는 일반 한국어/영어 텍스트로 채움

SFT 믹스 (코드+수학)

sft_mix:
  code_ko: nayohan/Evol-Instruct-Code-80k-v1-ko  # 78k
  code_en: nickrosh/Evol-Instruct-Code-80k-v1    # 78k (선택)
  math_ko: kuotient/orca-math-word-problems-193k-korean  # 193k
  math_ko_gsm: re2panda/grade_school_math_korean  # 7.5k

---

조사일: 2026-02-27 | 조사자: survey-code-math subagent