Dataset

fineweb-2-sentence-split

Name: fineweb-2-sentence-split
Creator: mimir-lcm

by mimir-lcm

Fineweb 2 split into sentences. Instances per languages were sampled by us to balance the data w.

No licenseother 6758 0100M < n < 1B rows

published 25 May 2026

Open on Hugging Face

Preview

First 5 rows of ory_Orya / train, from the Hugging Face dataset viewer.

text	id	text_sentences	lang
1 ପ୍ରାଚୀନ ଯେ ମୁଁ, ପରମେଶ୍ୱରଙ୍କ ଦ୍ୱାରା ମନୋନୀତା ମହିଳା ଓ ତାହାଙ୍କର ସନ୍ତାନମାନଙ୍କ ନିକଟକୁ ଏହି ପତ୍ର ଲେଖୁଛି: ମୁଁ ତୁମ୍ଭ ସମସ୍ତଙ୍କୁ ସତ୍ୟରେ ରହି ପ୍ରେମ କରେ। ସତ୍ୟକୁ ଜାଣିଥିବା ସମସ୍ତ ଲୋକମାନେ ମଧ୍ୟ ତୁମ୍ଭକୁ ପ୍ରେମ କରନ୍ତି। 2 ଆମ୍ଭ ଅନ୍ତରରେ ଯେଉଁ ସତ୍ୟ ରହିଛି, ସେଥିପାଇଁ ଆମ୍ଭେ ତୁମ୍ଭମାନଙ୍କୁ ପ୍ରେମ କରୁଛୁ। ଏହି ସତ୍ୟ ଆମ୍ଭ ପାଖରେ ସବୁଦିନ ପ…	<urn:uuid:90e1f131-409b-45f4-9d69-e439d82a6841>	["1","ପ୍ରାଚୀନ ଯେ ମୁଁ, ପରମେଶ୍ୱରଙ୍କ ଦ୍ୱାରା ମନୋନୀତା ମହିଳା ଓ ତାହାଙ୍କର ସନ୍ତାନମାନଙ୍କ ନିକଟକୁ ଏହି ପତ୍ର ଲେଖୁଛି:","ମୁଁ ତୁମ୍ଭ ସମସ୍ତଙ୍କୁ ସତ୍ୟରେ ରହି ପ୍ରେମ କରେ।","ସତ୍ୟକୁ ଜାଣିଥିବା ସମସ୍ତ ଲୋକମାନେ ମଧ୍ୟ ତୁମ୍ଭକୁ ପ୍ରେମ କରନ୍ତି।","2 ଆମ୍ଭ ଅନ୍ତରରେ ଯେଉଁ ସତ୍ୟ ରହିଛି, ସେଥିପାଇଁ ଆମ୍ଭେ ତୁମ୍ଭମାନଙ୍କୁ ପ୍ରେମ କରୁଛୁ।","ଏହି ସତ୍ୟ ଆମ୍ଭ ପା…	ory_Orya
"\n\nଯେ ସଫର ଆପକୋ କୈସା ଲଗା ? ପସଂଦ ଆଯା ହୋ ତୋ ଯ	<urn:uuid:994f8e4c-f07e-4d8d-8a4b-6e0633f8f06c>	["ଯେ ସଫର ଆପକୋ କୈସା ଲଗା ?","ପସଂଦ ଆଯା ହୋ ତୋ ଯ	ory_Orya
"ଶୁଚିତ୍ତ୍ଵ\nସ୍ଵାସ୍ଥ୍ୟକର ଉନ୍ନତି ସାଧନ ଓ	<urn:uuid:69b18265-33af-479e-a31a-6a858e97493a>	["ଶୁଚିତ୍ତ୍ଵ","ସ୍ଵାସ୍ଥ୍ୟକର ଉନ୍ନତି ସାଧନ	ory_Orya
"1ସେହି ସମୟରେ ବାପ୍ତିଜକ ଯୋହନ ଆସି ଯିହୂଦା	<urn:uuid:0a47a77e-f66b-4e83-8e0a-9b2d33e19ba1>	["1ସେହି ସମୟରେ ବାପ୍ତିଜକ ଯୋହନ ଆସି ଯିହୂଦା	ory_Orya
"କୁନ୍ତୀ\n'ପୃଥା' ଯଦୁବଂଶୀୟ ବସୁଦେବଙ୍କ ଭାଇ	<urn:uuid:c9300afa-71a1-4107-b144-18fc174921cd>	["କୁନ୍ତୀ","'ପୃଥା'","ଯଦୁବଂଶୀୟ ବସୁଦେବଙ୍କ ଭା	ory_Orya

Cite this

No licensetextCite

fineweb-2-sentence-split

Preview

Cite this

Tags