대규모 언어 모델 (LLMs)의 발전과 함께, 코드 오류 탐지는 전통적인 IDE 진단을 넘어 교육적 시나리오에서의 문맥 민감형 디버깅(context-sensitive debugging)으로 확장되었습니다. 그러나 기존 방식들은 대규모 데이터셋, 다중 오류 분석(multi-error analysis), 그리고 통합된 오류 분류 체계(error taxonomies)가 부족한 실정입니다. 이를 해결하기 위해, 우리는 48,646개의 학생 제출물을 포함하는 대규모 Python 코드 오류 분류 데이터셋인 PyMETA를 소개합니다. 이 데이터셋은 모든 샘플에 대한 단일 오류 레이블(single-error labels)과 97개의 전문가 주석이 달린 다중 오류 샘플로 구성된 진단 서브셋(diagnostic subset)을 제공합니다. 이 데이터셋은 이진 오류/무오류(error/no-error) 분할부터 Python의 공식 예외 계층 구조(exception hierarchy)에 기반한 14가지 세부 오류 유형에 이르기까지 3단계 계층적 분류 체계를 사용합니다. 우리는 두 개의 미세 조정(finetuned) 모델과 프롬프팅(prompting)을 사용하는 네 개의 LLM을 대상으로 다단계 분류 작업을 평가하여, 이들의 분류 성능과 실행 비용(runtime cost)을 비교했습니다. 다중 오류 프롬프팅의 경우, 가장 우수한 모델인 Gemini 2.5 Pro는 "포함(contains)" 기준 하에서 81.8%의 macro F1을 달성했습니다. 우리는 다음과 같은 사실을 관찰했습니다: 1) 프롬프팅된 LLM은 여전히 미세 조정된 더 작은 모델보다 성능이 낮습니다; 2) 모델들은 오류 유형에 따라 상당한 격차를 보입니다; 3) 대부분의 LLM은 코드를 논리 오류(Logic Error)로 과잉 분류하며, GPT-3.5가 가장 높은 논리 오류 과잉 예측률(Logic Error Overprediction Rate)을 보였고 Gemini 2.5 Pro가 가장 낮았습니다. 우리의 연구는 데이터 기반을 구축하고 LLM 기반의 코드 오류 연구를 위한 통찰력을 제공합니다.