Datasets
Dataset
wikipedia
by AiHazz
Dataset Card for Wikimedia Wikipedia Dataset Summary Wikipedia dataset containing cleaned articles of all languages. The dataset is built from the Wikipedia dumps with one subset per language, each containing a single train split.
CC-BY-SA-3.0text-generation 689 010M < n < 100M rows
published 8 May 2026
Preview
First 5 rows of 20231101.or / train, from the Hugging Face dataset viewer.
| id | url | title | text |
|---|---|---|---|
| 1024 | https://or.wikipedia.org/wiki/%E0%AC%AD%E0%AC%BE%E0%AC%B0%E0%AC%A4 | ଭାରତ | ଭାରତ ସରକାରୀ ସ୍ତରରେ ଏକ ଗଣରାଜ୍ୟ ଓ ଦକ୍ଷିଣ ଏସିଆର ଏକ ଦେଶ । ଏହା ଭୌଗୋଳିକ ଆୟତନ ଅନୁସାରେ ବିଶ୍ୱର ସପ୍ତମ ଓ ଜନସଂଖ୍ୟା ଅନୁସାରେ ବିଶ୍ୱର ପ୍ରଥମ ବୃହତ୍ତମ ଦେଶ । ଏହା ବିଶ୍ୱର ବୃହତ୍ତମ ଗଣତନ୍ତ୍ର ରୁପରେ ପରିଚିତ । ଏହାର ଉତ୍ତରରେ ଉଚ୍ଚ ଏବଂ ବହୁଦୂର ଯାଏ ଲମ୍ବିଥିବା ହିମାଳୟ, ଦକ୍ଷିଣରେ ଭାରତ ମହାସାଗର, ପୂର୍ବରେ ବଙ୍ଗୋପସାଗର ଓ ପଶ୍ଚିମରେ ଆରବସାଗର ରହିଛ… |
| 1589 | https://or.wikipedia.org/wiki/%E0%AC%93%E0%AC%A1%E0%AC%BC%E0%AC%BF%E0%AC%86 | ଓଡ଼ିଆ | ଓଡ଼ିଆ ବୋଧେ: ଭାରତରେ ଓଡ଼ିଆ ଲୋକ ଓଡ଼ିଆ ଭାଷା ଓଡ଼ିଆ ଲିପି ଓଡ଼ିଆ ସାହିତ୍ୟ ଓଡ଼ିଆ ଖାଦ୍ୟକୁ ବୁଝାଇପାରେ |
| 1594 | https://or.wikipedia.org/wiki/%E0%AC%AA%E0%AD%8D%E0%AC%B0%E0%AC%A7%E0%AC%BE%E0%AC%A8%20%E0%AC%AA%E0%AD%83%E0%AC%B7%E0%AD%8D%E0%AC%A0%E0%AC%BE | ପ୍ରଧାନ ପୃଷ୍ଠା | <div id="ପ୍ରଧାନ ପୃଷ୍ଠା"> |} |
| 1862 | https://or.wikipedia.org/wiki/%E0%AD%A8%E0%AD%A6%E0%AD%A6%E0%AD%AC | ୨୦୦୬ | ଘଟଣା ଜାନୁଆରୀ-ମାର୍ଚ୍ଚ ଅପ୍ରେଲ-ଜୁନ ଜୁଲାଇ-ସେପ୍ଟେମ୍ବର ଅକ୍ଟୋବର-ଡିସେମ୍ବର ଅଜ୍ଞାତ ତିଥି ଘଟଣା ଜନ୍ମ ଜାନୁଆରୀ-ମାର୍ଚ୍ଚ ଅପ୍ରେଲ-ଜୁନ ଜୁଲାଇ-ସେପ୍ଟେମ୍ବର ଅକ୍ଟୋବର-ଡିସେମ୍ବର ମୃତ୍ୟୁ ଜାନୁଆରୀ-ମାର୍ଚ୍ଚ ଅପ୍ରେଲ-ଜୁନ ଜୁଲାଇ-ସେପ୍ଟେମ୍ବର ଅକ୍ଟୋବର-ଡିସେମ୍ବର ଆଧାର ୨୦୦୬ |
| 1929 | https://or.wikipedia.org/wiki/%E0%AC%9C%E0%AC%BE%E0%AC%AA%E0%AC%BE%E0%AC%A8 | ଜାପାନ | ଜାପାନ (日本, ନିପ୍ପୋଁ ବା ନିହୋଁ), ପୂର୍ବ ଏସିଆରେ ଅବସ୍ଥିତ ଏକ ଦ୍ୱୀପ ରାଷ୍ଟ୍ର । ଏହାର ପଶ୍ଚିମରେ ଜାପାନ ସାଗର, ଓଖୋତ୍ସକ ସାଗରଠାରୁ ପୂର୍ବ ଚୀନ ସାଗର ଓ ତାଇୱାନ ପର୍ଯ୍ୟନ୍ତ ବ୍ଯାପ୍ତ ହୋଇ ରହିଛି । ପ୍ରଶାନ୍ତ ଅଗ୍ନିବଳୟର ଏକ ଅଂଶ, ଜାପାନ ୬,୮୫୨ଟି ଦ୍ୱୀପରେ ଗଢାହୋଇଛି ଯାହାର ପ୍ରାୟ ୩,୭୭,୯୭୫ ବର୍ଗ କି.ମି. କ୍ଷେତ୍ରଫଳ ରହିଛି; ଦେଶର ପାଞ୍ଚଟି ମୁଖ୍ଯ ଦ୍ୱୀ… |
Cite this
CC-BY-SA-3.0textCite
Tags
task_categories:text-generationtask_categories:fill-masktask_ids:language-modelingtask_ids:masked-language-modelinglanguage:ablanguage:acelanguage:adylanguage:aflanguage:altlanguage:amlanguage:amilanguage:anlanguage:anglanguage:anplanguage:arlanguage:arclanguage:arylanguage:arzlanguage:aslanguage:astlanguage:atjlanguage:avlanguage:avklanguage:awalanguage:aylanguage:azlanguage:azblanguage:balanguage:banlanguage:barlanguage:bbclanguage:bcllanguage:belanguage:bglanguage:bhlanguage:bilanguage:bjnlanguage:blklanguage:bmlanguage:bn