Datasets:

Modalities:
Text
Formats:
parquet
ArXiv:
License:
Dataset Viewer
Auto-converted to Parquet Duplicate
text
stringlengths
58
487k
lang
stringclasses
11 values
Every Singaporean SonEvery Singaporean Son Every Singaporean Son Every Singaporean Son is a Singaporean documentary released in 2010. It serves as an education tool for all pre-enlistees during their Basic Military Training in Singapore. Most of the episodes were filmed at Pulau Tekong. 18 episodes were released. The f...
eng
Transcript of unknown functionTranscript of unknown function Transcript of unknown function Transcripts of unknown function (TUFs) is the name that has been suggested for known RNA transcripts of DNA whose function is unclear. Most TUFs are probably ncRNAs, such as RNAi or snoRNAs, but could also represent a whole new ...
eng
Kaha sena ke phoofolo ea likhomo, joale motheo oa liphoofolo o loketse. Mobala o ka sehloohong oa mofuta ona o khubelu, joale likarolo tsa 'mele tse kang maoto, mohatla oa mohatla, hlooho, mpa le ho phophola li tšoeu. O mong oa melemo ea bohlokoa ea oyster peptide ke ntlafatso ea matla a mmele ka kakaretso. Ha ho le jo...
sot
Ek was reeds in my vroeë dertigs grys (ek het my pa se silwerdos geërf!) en het sonder om te twyfel dit aanvaar en begin eksperimenteer met moderne haarstyle. As jy so kak en kla oor hoe kak die site is, hoekom fokken doen jy al die moeite om jou tos comments te plaas?? fokof dan. Die Mugoidwa hoërskool is die 29ste sk...
afr
Wenke hoe om worsbroodjies in deeg kook Eenvoudige kos - dit is soos 'n herinnering aan 'n prettige sorgvrye verlede, naamlik student jaar, wanneer die groot plesier om verskillende plain geregte, insluitende varke in komberse absorbeer ... Moderne mense is te besig, nie dikwels die tyd om maaltye en selfs 'n koppie te...
afr
Nie “Goed” Nie… Wel Woorde – hier "blok" Elanè Nie “Goed” Nie… Wel Woorde Ek weet rerig nie of dit ‘n stadium is waardeur ouer vrouens gaan nie, maar ek kan die oormaat van goed net nie meer verdra nie. My seun het besluit hy maak skoon by hom, hy is ‘n opgaarder en dit opsigself maak my mal, want hy bly in ‘n kothuis ...
afr
esinye isifo lapho neprityanye emizweni ubuciko -- enteritis ezingamahlalakhona. sekube zibuthuntu ezidabukile ubuhlungu esiswini, ukuvuvukala, ukungakuthandi ukudla, umuzwa wobukhulu, sibi emva kokudla. "ufrantz fanon waziwa kakhulu njengomunye wezinculabuchopho zomzabalazo wenkululeko eafrika. | abahlali basemjondolo...
zul
String.replace function on Firefox version 62 ( actually the regression may introduce from version55) has wired behavior. The case like this: // When invoke function o… (funda kabanzi) kubuzwe ngu yaguang 1 unyaka odlule kugcine ukuphendulwa ngu yaguang 1 unyaka odlule Stonehenge trilithon K040959 - Stonehenge, Wiltshi...
zul
20:27 'Me ha letsatsi la bobeli ka mor'a hore khoeli e ncha e ne e qalile ho meso, sebaka Davida a hape hlaha letho. 'Me Saule a re ho Jonathane, mora oa hae, "Ke hobane'ng ha mora oa Jese e sa ba ile ba fihla ho ja, ha maobane, kapa kajeno?" Yaba Koketso o etsa jwalo. “Dumelang!” a hoeletsa ha a fihla ha bo Pinki. “Pi...
sot
Aanlyn aanlyn aansoek vir indiensneming - Konstruksiekontrak taal voorbeelde Israeliese opwindende beskawing, as doeltreffendheid van die fenotipe van 'n van jou eie cv. Die simptome begin in streaming regs en ons het nog handel komplikasies Franse bedrae. Om die reg op privaatheid mekaar in 'n gedeelde sending wat noo...
afr
Hoe om winsgewende kliënte te identifiseer: 'n stap-vir-stap-gids Afrikaans (Afrikaans) translation by Aeni Amalia (you can also view the original English article) As daar iets is wat vryskutters snags ophou, is dit geld Volgens die Freelance Industry Report van 2012 is "bevinding van kliënte" en "fees- of hongersnoods...
afr
Resensie van Imartine's Coredy R3500 robotstofsuier - Inligting Resensie van Imartine's Coredy R3500 robotstofsuier Een van my eerste resensies het die Vileda Virobi vergelyk met Koolvac se KV-1 robotvakuum. Die Kookvac, 'n vroeë mededinger van Roomba, was 'n groot en kleurvolle masjien wat oor die vloer gedreun het en...
afr
Jeff Saward definieer ’n doolhof as volg: “To qualify as a maze, a design must have choices in the pathway” (2002:8). ’n Doolhof se doel is om ’n raaisel op te los; daar is verskeie ingange, sommige loop dood en die pad na binne is nie noodwendig die uitgang nie. Tydens my laaste bundel kon ek my biologiese ma se spore...
afr
8-10. (a) Kutheni sibalasele nje isibakala sokuba uYehova ekulungele ukwabela abanye nokuphulaphula? (b) USomandla usebenzisene njani ngokuthobeka neengelosi zakhe? "amacandelo aphezulu e--5 yokuphumelela ngokuphumelelayo: ukuphumelela ekudalweni kwi--distribution -- 2018 nab bonisa iindaba nge--broadcast beat. umsasaz...
xho
Mayang ImphalMayang Imphal Mayang Imphal Mayang Imphal is a town and municipal council in Imphal West district in the Indian state of Manipur. Pin code of Mayang Imphal is 795132. Geography. Mayang Imphal is located at . on the bank of the Imphal river, also known as the Manipur river. On the southwest, there is the Lo...
eng
WooCommerce word beskou as die beste e-handelsplatform vir WordPress, en dit is dit gebruik deur meer as 40% van aanlynwinkels op die web, wat dit ook die gewildste platform maak om 'n aanlynwinkel te bou. Danksy die open source-aard en die hoë aanpasbaarheid deur honderde gratis en betaalde uitbreidings, WooCommerce l...
afr
Limbu languageLimbu language Limbu language Limbu (Limbu: , "yakthuṅ pan") is a Sino-Tibetan language spoken by the Limbu people of Nepal and Northeastern India (particularly Darjeeling, Kalimpong, Sikkim, Assam and Nagaland) as well as expatriate communities in Bhutan. The Limbu refer to themselves as "Yakthung" and t...
eng
Redakteursbrief: Hou op bekommer en was jou hande | Vrouekeur Redakteursbrief: Hou op bekommer en was jou hande Geskryf deur Eldaleen hugo 23/03/2020 Hoekom raak mense so bang? Dié virus kan jou dood veroorsaak, maar dit gaan nie noodwendig nie. Jy kan die virus kry, maar gaan nie noodwendig nie Die koronavirus het bai...
afr
Wiele2Wiele gesels oor Jaguar, VW en Honda se nuwe motorsDie egpaar Carl en Jeanette Kritzinger bespreek weekliks in Wiele2Wiele die jongste motornuus – van bekendstellings en padtoetse tot algemene nuus en nuttige wenke. Hierdie week gaan ry Wiele2Wiele met die blitsvinnige Jaguar F-Pace SVR, daar is ’n nuweling in di...
afr
River KeerRiver Keer River Keer The River Keer is a river in Lancashire, England. For parts of its course, the Keer marks the boundary between Lancashire and Cumbria, as well as the ancient counties of Lancashire and Westmorland. The river rises on Docker Moor near the village of Whittington and follows a westerly cour...
eng
Kerkbywoning - Wikipedia In ontwikkelde lande het kerkbywoning geleidelik afgeneem, weens ’n gebrek aan motivering, negatiewe mediadekking oor godsdiens en verveeldheid tydens dienste. Kerkbywoning verwys na die deelname van eredienste wat deur ’n spesifieke kerk of in die algemeen deur die hele Christelike gemeente as...
afr
UNICORE LOGISTICS SOLE CO., LTD with all job. 108.JOBS UNICORE LOGISTICS SOLE CO., LTD Dongpaina Road Saphanthong Neua Village Sisattanak District Email : kity.xaiyasouk@unicorelogistics.com Telephone : 021 264545 Kihahuryqy muna eqehyr ydigovalohusab qowucafasimy Uzawykujakakiq ufavivufyr anekabapilakog ze cunohaweval...
zul
Moria sê lag laat haar goed voel - Voelgoed Tuis Voelgoed 'n Nuwe Jy Moria sê lag laat haar goed voel Moria sê lag laat haar goed voel Wetenskaplikes het al baie toetse gedoen en die resultate stem ooreen: om af te voel, of selfs woede, is dikwels die snellers vir ernstige siektes soos hartsiektes en beroerte. 'n Jaar ...
afr
Afrikaans oral waar jy kyk in die digitale wêreld – PanSALB Navorser by die Suid-Afrikaanse Sentrum vir Digitale Taalhulpbronne (SADiLaR) Lid van die NTLA Die rol wat tegnologie in die lewe van mense wêreldwyd speel, is onmiskenbaar. Al kan die mate waartoe ons met tegnologie te doen kry verskil, is dit nie te betwyfel...
afr
C.J. Smit verskaf prikkelende gedagtes oor die verhouding van die kerkorde en die werk van die Heilige Gees. Maksimum windspoed 20 km / h — Jan. Minimum windspoed 9 km / h — September. Die artikel het ten doel om vas te stel hoe verskillende kategorieë van ouer-kindverhoudinge verband hou met sekere manifestasies van e...
afr
Home » WordPress gebruik 04.06.2020 Category: WordPress gebruik Weet jy nie seker watter inhoudsbestuurstelsel (CMS) geskik is vir die webwerf wat u in gedagte het nie? Het u geweet dat meer as 32% van al die webwerwe op die internet WordPress gebruik? Selfs die grootste handelsmerke soos Facebook Newsroom, Vogue, IBM ...
afr
Man vas wat glo motorwag doodslaan | Maroela Media 'n 25-jarige man is in hegtenis geneem nadat hy na bewering 'n motorwag doodgeslaan het. Kapt. Xoli Mbele, woordvoerder van die polisie, het gesê 'n 26-jarige motorwag is Dinsdag omstreeks 19:30 op die hoek van Rissik- en Pritchardstraat doodgeslaan. Volgens Mbele het ...
afr
Han–Xiongnu WarHan–Xiongnu War Han–Xiongnu War The Han–Xiongnu War, also known as the Sino–Xiongnu War, was a series of military battles fought between the Chinese Han Empire and the nomadic Xiongnu confederation from 133 BC to 89 AD. Starting from Emperor Wu's reign (r. 141–87 BC), the Han empire changed from a relati...
eng
Ontsluit van "https://af.wikipedia.org/w/index.php?title=Limousin_(dialek)&oldid=1787178" Die bladsy is laas op 7 September 2018 om 18:29 bygewerk. Altesaam 52 renosters is tot dusver vanjaar al in Suid-Afrika se nasionale parke deur stropers doodgemaak, sê Sanparke. Luidens ’n verklaring is die Krugerwildtuin en provi...
afr
End of preview. Expand in Data Studio

MzansiText

MzansiText is a curated multilingual pretraining corpus for all eleven official South African languages.

GitHub Paper Model Collection

Dataset details

  • Splits: 3,943,584 train rows, 19,379 validation rows, and 19,341 test rows
  • lang values: afr, eng, nbl, nso, sot, ssw, tsn, tso, ven, xho, zul
  • Schema:
{
  "text": "string",
  "lang": "string"
}

Validation and test sets are capped at approximately 2M tokens per language to prevent high-resource languages from dominating early stopping.

Release correction

The raw train split was republished on 10 August 2026 after an audit found that an earlier Hub upload had been created from an incomplete input tree. The earlier upload omitted WURA, ParaCrawl, and the isiXhosa/isiZulu mC4 files and contained 2,487,635 train rows. The paper statistics, validation split, test split, and full tokenized training artifact were not affected.

Token distribution (65,536-vocabulary MzansiText BPE tokenizer)

Language Train tokens % Validation tokens Test tokens
Afrikaans 2,475,913,822 64.96 1,865,255 1,875,605
English 740,994,679 19.44 1,813,651 1,821,803
isiZulu 320,224,015 8.40 2,017,406 2,021,343
isiXhosa 152,212,403 3.99 2,016,503 2,012,000
Sesotho 97,558,939 2.56 2,315,298 2,316,170
Setswana 10,082,930 0.26 1,216,539 1,413,473
Sepedi 6,697,358 0.18 685,425 778,656
Xitsonga 3,013,408 0.08 510,463 319,496
siSwati 1,932,989 0.05 196,247 225,810
Tshivenda 1,852,481 0.05 191,495 243,315
isiNdebele 818,549 0.02 106,224 143,458
Total 3,811,301,573 100 12,934,506 13,171,129

Usage

from datasets import load_dataset

dataset = load_dataset("uctnlp/mzansi-text")
print(dataset)

Related releases

Citation

@misc{lombard2026mzansitextmzansilmopencorpus,
      title={MzansiText and MzansiLM: An Open Corpus and Decoder-Only Language Model for South African Languages},
      author={Anri Lombard and Simbarashe Mawere and Temi Aina and Ethan Wolff and Sbonelo Gumede and Elan Novick and Francois Meyer and Jan Buys},
      year={2026},
      eprint={2603.20732},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2603.20732},
}

License

Apache License 2.0

Downloads last month
780

Collection including uctnlp/mzansi-text

Paper for uctnlp/mzansi-text