Datasets
Dataset
odia_pretrain_dataset_v2
by saidutta69
Odia Pretrain Dataset v2 12. 3 million clean Odia documents.
CC-BY-4.0text-generation 836 010M < n < 100M rows
published 29 Jul 2026
Preview
First 5 rows of default / train, from the Hugging Face dataset viewer.
| text | source | type | char_count | en_aligned |
|---|---|---|---|---|
| ବିଜେପି ବିରୋଧରେ ବିରୋଧୀ କରିଥିବା ମେଣ୍ଟ I.N.D.I.Aକୁ ଆଜି ପ୍ରଧାନମନ୍ତ୍ରୀ ନରେନ୍ଦ୍ର ମୋଦି କଟାକ୍ଷ କରିଛନ୍ତି। ସେ ବିରୋଧୀ ମେଣ୍ଟକୁ ଇଂରେଜମାନଙ୍କ ଇଷ୍ଟ ଇଣ୍ଡିଆ କମ୍ପାନୀ, ଇଣ୍ଡିଆନ ମୁଜାହିଦ୍ଦିନ ଓ ପିଏଫଆଇ ସହ ତୁଳନା କରିଛନ୍ତି। ପ୍ରଧାନମନ୍ତ୍ରୀଙ୍କ ଏପରି କଟାକ୍ଷ ଓ ସମାଲୋଚନାର ଜବାବ କଂଗ୍ରେସ ନେତା ରାହୁଲ ଗାନ୍ଧି ଜୋରଦାର ଢଙ୍ଗରେ ଦେଇଛନ୍ତି। | odia_web_corpus_v5 | monolingual | 291 | false |
| ବିଧାୟକ ପ୍ରଦୀପ ପାଣିଗ୍ରାହୀ (ଫାଇଲ ଫଟୋ) | odia_web_corpus_v5 | monolingual | 35 | false |
| ଏହି ଅବସରରେ ତ୍ରୟୋମାସିକ ଆଧ୍ୟାତ୍ମିକ ପତ୍ରିକା ‘ଭାବକୁ ନିକଟ’ର ଦଶମ ବର୍ଷର ପ୍ରଥମ ସଂସ୍କରଣକୁ ଅତିଥିମାନେ ଉନ୍ମୋଚନ କରିଥିଲେ। ଅପରାହ୍ନରେ ପୁରୀ ଡ୍ୟାନ୍ସ ଏକାଡେମୀର କଳାକାରଙ୍କ ଦ୍ୱାରା ଓଡିଶୀ ନୃତ୍ୟ ପରିବେଷଣ କରାଯାଇଥିଲା। | odia_web_corpus_v5 | monolingual | 188 | false |
| ନିଲାମ ପାଇଁ ଅର୍ଜୁନଙ୍କ ନାଁ ଯେତେବେଳେ ଡକାଗଲା, ମୁମ୍ବାଇର ସହମାଲିକ ଆକାଶ ଅମ୍ବାନୀ ତୁରନ୍ତ ଡାକ ଆରମ୍ଭ କରିଥିଲେ। ଏଥିରେ ଗୁଜରାଟ ଟାଇଟନ୍ସ ପରବର୍ତ୍ତୀ ଡାକ ଲଗାଇଥିଲା। ହେଲେ ମୁମ୍ବାଇ ପୁଣିଥରେ ଡାକ ଲଗାଇଥିଲା। ପରେ ଗୁଜରାଟ ଆଉ ଆଗକୁ ଡାକ ଲଗାଇନଥିଲା। ଫଳରେ ମୁମ୍ବାଇ ୩୦ ଲକ୍ଷ ଟଙ୍କାରେ ଅର୍ଜୁନଙ୍କୁ କିଣି ନେଇଥିଲା। | odia_web_corpus_v5 | monolingual | 265 | false |
| ଅଯୋଧ୍ୟା ରାମ ମନ୍ଦିର ଓ ଅର୍ଥ ମନ୍ତ୍ରୀ ନିର୍ମଳା ସୀତାରମଣ | odia_web_corpus_v5 | monolingual | 49 | false |
Cite this
CC-BY-4.0textCite
Tags
task_categories:text-generationtask_categories:fill-masklanguage:orlicense:cc-by-4.0size_categories:10M<n<100Mformat:parquetmodality:textlibrary:datasetslibrary:dasklibrary:polarslibrary:mlcroissantregion:usodiaindicnlppre-traininglanguage-modelmultilingualopen-accessno-gating-requiredmonsoon-nlp