Dataset Viewer
Auto-converted to Parquet Duplicate
The full dataset viewer is not available (click to read why). Only showing a preview of the rows.
The information about the size of the dataset is not coherent.
Error code:   UnexpectedError

Need help to make the dataset viewer work? Make sure to review how to configure the dataset viewer, and open a discussion for direct support.

sentence1
string
sentence2
string
lang
string
source_dataset
string
split
string
Han var fuld af beundring
Hanj va ful å allera
unknown
BornholmBitextMining
train
så vær dog lidt rimelige med jeres støjniveau !
så varren då lid ammelia !
unknown
BornholmBitextMining
train
styrtede du ovenud af vognen ? ¤ styrtede du fra toppen af vogn ?
storte du âuanidå vâunijn ?
unknown
BornholmBitextMining
train
morgen .
mârn
unknown
BornholmBitextMining
train
larmende trævogn uden affjedring , træbuldren .
træballra , træballrijng
unknown
BornholmBitextMining
train
sådan går det når at I ikke ville rette efter hvad jeg siger .
søddan går'ed når a ni inte villa aita ætte va jâ saier
unknown
BornholmBitextMining
train
skal jeg skældes på ud og kaldes med fornærmelig navne af dig ? ellers tak , om jeg må be ' !
ska jâ bajnas å kajlas å dei ? Holm .
unknown
BornholmBitextMining
train
spænde ben
skrinka
unknown
BornholmBitextMining
train
Guds fred , god aften !
Gods fred , god awtan !
unknown
BornholmBitextMining
train
abe efter
âba ætte
unknown
BornholmBitextMining
train
Visselul vissero vugge ! | Hankatten tog min kage ; | havde jeg ikke været hankattens ven , | havde jeg ikke fået kagen igen .
Vizza roa âga ! | Kattijn tâu men kâga ; | hadde jâ inte vad kattens vinn , | hadde jâ inte fåd kâgan igjænn .
unknown
BornholmBitextMining
train
det skal nok blive stille hen mod aften .
de ska nokk ble stille te awtanijn .
unknown
BornholmBitextMining
train
grønne ærter .
gröna arter .
unknown
BornholmBitextMining
train
Jeg vil ikke pjatte dig .
Jâ vil inte ântas me daj .
unknown
BornholmBitextMining
train
han får nok lært at lystre dér .
hajn får nokk lært å aita dær
unknown
BornholmBitextMining
train
more sig over én eller more sig over noget .
mora sai ad ejn eller nâd sædvanlig : mora sai âuer
unknown
BornholmBitextMining
train
Hun har ikke nogle farve i hoved
Hon har ikkje nå`d kolør i haud
unknown
BornholmBitextMining
train
gården ejer jord helt ned til stranden .
gårijn aier jor helt ner te strân
unknown
BornholmBitextMining
train
Doktoren siger hun er en hypokonder
Doktorinj sajer hon e enj pjæw
unknown
BornholmBitextMining
train
.
te almindelighed saia vi ...
unknown
BornholmBitextMining
train
det er minsandten et overordentlig stort stykke jord , de har fået opavlet under plov .
ded e livæl ejn anseli jorabidda , di ha fåd opawlder .
unknown
BornholmBitextMining
train
han er så trods alt oven senge mer og mer for hver dag der går .
hajn e så livæl âuanvænnes for vær dâ .
unknown
BornholmBitextMining
train
åh , det er vel en snes år siden , på det lav .
â , ded e væl ed snes år sin i lawed .
unknown
BornholmBitextMining
train
ærtegulv og ærtelade , det var der i hver eneste gammel bonde gård , ind til jorden blev ærtetræt kaldte de gamle generationer det .
artegoll å artelo , de va dær i vær gammajl går , te jorn blev atetrætt kallte di'ed .
unknown
BornholmBitextMining
train
hun kommer ofte i apotekerens butik , eller : hos apotekerens familie .
hon kommer ota te abetekarens
unknown
BornholmBitextMining
train
masten hældede bagover .
mâsten hæjllde akterâuer .
unknown
BornholmBitextMining
train
op og ned ad gaden , op ad stolper og ned ad vægge om udførlig og trættende fortælling
opp å ner a d gâdan , opp a d stølpa å ner a d væggja
unknown
BornholmBitextMining
train
`` Var Anna ikke med til festen ? '' - `` Nej , jeg var ikke indbudt . ''
`` Va Âna inte me te gjijlled ? '' - `` Naj , jâ va'nte ben . ''
unknown
BornholmBitextMining
train
`` Hvordan gik det med rugen ? '' - `` Vi tog den altsammen . ''
`` Veddan gjikk'ed me râuijn ? '' - `` Vi tâu dæjn ajl . ''
unknown
BornholmBitextMining
train
hun var så gudsjammerlig grim , så at ... .
hon va så arbarmelia styjggj , s'ad ...
unknown
BornholmBitextMining
train
ser du nogentid nogen sinde noget til Mogens ? ” – ” Å jo , det sker dog af og til at han kommer på denne led til dette nabolag og ser indom på et kort besøg . ”
” ser du nânti nâd te Måns ? ” – ” Â jo , de sjer ju affete , ad hajn kommer på dejna len å ser ijnom . ”
unknown
BornholmBitextMining
train
han bad os gå ad helvede til .
hajn bâ voss gå a hælvede te .
unknown
BornholmBitextMining
train
kampestens-længe
bakkalæjnga
unknown
BornholmBitextMining
train
Pigen er nu giftefærdig
Pajan e nu karsvâusen
unknown
BornholmBitextMining
train
det er ikke alle steder , man kommer , at man bliver så vel komment modtaget .
ded e'nte ajle stâ , ejn kommer , ejn bler så væl modtâjn .
unknown
BornholmBitextMining
train
få smæk på bagdelen .
få på dæjn bâgersta
unknown
BornholmBitextMining
train
.
vi lou jorn liggja âven .
unknown
BornholmBitextMining
train
Kan du nå bussen
Kan du hijnja bussinj
unknown
BornholmBitextMining
train
kende af udseende .
kjæjnna for anseelse .
unknown
BornholmBitextMining
train
jeg har ikke haft det allerringeste med at det som er gjort .
jâ har ikkje hatt ded allerringesta me å gjort .
unknown
BornholmBitextMining
train
en soldebror , en skørtejæger .
ejn karalømmel .
unknown
BornholmBitextMining
train
sikkedog du kan , du er jo en ren akrobat .
sikkedan du kajn , du e ju ejn ren akrobât .
unknown
BornholmBitextMining
train
vinden er vel nok voldsom i dag ! hun vinden bider i kinderne .
vijnnen e nok arri idâ ! hon bider i kjæwtana .
unknown
BornholmBitextMining
train
Skal vi drikke et par snapse
Ska vi drikka et par sypa
unknown
BornholmBitextMining
train
de øverste sten er væk , der er kun bundstenene tilbage .
âuanstenijn e vækk , dær e mæn bonnstenijn ijænn .
unknown
BornholmBitextMining
train
man skal jo oplyse , hvad man har tjent .
ijn ska ju angje va ijn hâr tjænt .
unknown
BornholmBitextMining
train
Vil du køre med i min vogn
Ve du tjøra mæ i min vâun
unknown
BornholmBitextMining
train
spørgsmål til en mand : hvornår er du ankommet ?
når e du arriverder ?
unknown
BornholmBitextMining
train
kan du ikke få kreaturerne til at arte sig lystre ?
kajn du inte få kraiturn te å aita dai ?
unknown
BornholmBitextMining
train
Tør fødder godt af mit barn . Du har trådt i en ko lort
Torr fokkana gott å , minj bælli , du hâr trøtt i en koblædda
unknown
BornholmBitextMining
train
vi skal køre i skoven efter brænde .
vi ska kjöra a d skâuijn ætte bræjnne
unknown
BornholmBitextMining
train
sidder .
mai synes , ad ded e dær , ded ona sidder .
unknown
BornholmBitextMining
train
det var en ¤ indhegning , som var stærk nok til at de dyrene kunne støde ind i .
ded va en opphainijng a di kujnne sprijnga ijnn på .
unknown
BornholmBitextMining
train
alvor .
alvår .
unknown
BornholmBitextMining
train
han lå på knæ ude på tærskegulvet i loen og bad til Gud .
hajn lå på knæ uda på loijn å bâ .
unknown
BornholmBitextMining
train
der kan være noget i det du der fremfører .
dær kajn varra nâd i ded du dær anför .
unknown
BornholmBitextMining
train
Lærken er kommet
Larkan e kommed
unknown
BornholmBitextMining
train
hønsene har lavet så mange fordybninger i urte/blomster bedet .
hønsen hâ lawad så många bâler i bjæded .
unknown
BornholmBitextMining
train
du har bare at lade mine ting blive hvor de er ! at du ved det !
du hâr å la mina tijng ble ! a du vidd'ed !
unknown
BornholmBitextMining
train
der skulle lavet så meget om på det .
dær skujlle andras så maied om på 'd .
unknown
BornholmBitextMining
train
var det mod Bodilsker sogn , han kørte ? ” - Nej , det var mod Åker sogn ” .
” va 'd a Bolskersen , hajn kjöre ? ” - ” Naj , ded va a Åkkersen
unknown
BornholmBitextMining
train
i al -fald ; i hvert fald .
i ajl-fajl
unknown
BornholmBitextMining
train
Det er ikke lys nu kommer 7
Ded e ønte løv nu komma sju
unknown
BornholmBitextMining
train
den ene skulle alt så løbe højre om kredsen af legekammerater , og den anden skulle løbe venstre om kredsen .
dæjn ena skujlle så løvva rætt om krisijn , å dæjn anra awed omm .
unknown
BornholmBitextMining
train
læsset så bliver du nødt til at kravle op bagfra .
ska du opp på lassed så får du krajla bâgop .
unknown
BornholmBitextMining
train
det er jo Stine , jeg kan kende hende på overkroppen brystpartiet .
ded e ju Stina , jâ kajn kjæjnna na på âuanred .
unknown
BornholmBitextMining
train
kamphugger-længer på en bondegård .
bakka-læjnger .
unknown
BornholmBitextMining
train
knude
bagg
unknown
BornholmBitextMining
train
Mor brugte en tragt når hun hældte snaps på flaske
Moar brøgte en trattara når hon hælte syp på flaskan
unknown
BornholmBitextMining
train
Han har taget inddraget løkken med tuerne til dyrket avlsjord .
Jajnj har tâd tâuelylkkjan ijnj te awlsjor .
unknown
BornholmBitextMining
train
du kunne ikke desto mindre se indom en aftenstund .
du kujnne livæl se ijnnomm en awtanstujnn .
unknown
BornholmBitextMining
train
Du skal ikke blinka til ham . Han er en spilopmager
Du ska inte blynkja te ham . Hanj e enj râzapaz
unknown
BornholmBitextMining
train
ærteæblerne voksede på store træer ; de var bitra , sure , runde , ikke særlig store ; de med kød eller for at sætte smag .
arteæbblen vâuste på stora træ ; di va bittra , sura , rujnna , ikkje særlig stora ; di brøkte dom , når dær va knapt med kjødd æjlle for sætte smâg .
unknown
BornholmBitextMining
train
de der blommer egner sig til at sylte .
di plommarna aina dom te å sølta .
unknown
BornholmBitextMining
train
kan du gå ud til arbejderne med bitter dram ! sagt til stikirenddrengen .
kajn du gå ud te arbjarna me bitter !
unknown
BornholmBitextMining
train
du må ikke ærgre ham så .
du må'nte arrja'jn så .
unknown
BornholmBitextMining
train
Se ... en sommerfugl
Se ... enj sjinjara
unknown
BornholmBitextMining
train
de havde bedraget ham for en snes tusind .
di hadde bedrâd'ijn for ed snes tuzen .
unknown
BornholmBitextMining
train
han er dog så pokkers dum tilligemed .
hajn e då så âsens dommer âu .
unknown
BornholmBitextMining
train
der stod tre eller fire store flotte elme på bakken .
dær sto trijllefira stora nætta almer på bakkajn .
unknown
BornholmBitextMining
train
Han satte rækværk rundt om huset
Hanj satta grinja runt huzed
unknown
BornholmBitextMining
train
Min kage mislykkes
Minj kâga vrântas
unknown
BornholmBitextMining
train
Tredive år og bor stadig hos mor
Træva år å boer stâdij hos moer
unknown
BornholmBitextMining
train
de var i gang med at køre tørv .
di va i gång me å âga torru .
unknown
BornholmBitextMining
train
han råbte ind gennem lugen , at nu var læsset ankommet .
hajn râfte ijnn ad løggan , a nu va lassed dær .
unknown
BornholmBitextMining
train
det var altsammen vrøvl , han kørte op med .
ded va altsammen vrawl , hajn kjöre opp me .
unknown
BornholmBitextMining
train
når de rad brækkede heste lig , så flåede de dem , men ådslerne lod de ligge for ræve og ravne at rive og slide i . < di boffada sjælhujnnana å kalte di'ed ; âzen ble liggjenes på izijn . { de bøffede sælhundene og kaldte dem øgenavne ; ådslerne blev liggende på isen .
når di öla öj , så sjijnnada di dom ; mæn âzen lâu di liggja for ræwa å rawna å slida i .
unknown
BornholmBitextMining
train
`` Hvordan går det ''
`` Våddan går'ed Pær ? '' - `` Pær ? om dæjn möjklæwajn e âuan jorn æjlle ujnne jorn ded vidd jâ ijnged å , å ded kjer jâ mai hæjller inte om . ''
unknown
BornholmBitextMining
train
Hun lavede en forlæns kolbøtte på jorden
Hun lavada ejn kåjlebøtta på joren
unknown
BornholmBitextMining
train
det hjalp ikke til trods for alt det han tiggede og bad for sig for sin sag .
ded jalp ikkje alt ded hajn tyjde for sai .
unknown
BornholmBitextMining
train
det var sten så store , .
ded va stena så stora , hadde di vad vælta på en slæva , hadd'ikkje fra hæsta daut te å rokka dom foie .
unknown
BornholmBitextMining
train
Vask hænderne med sæbe
Vask hænnarna mæ seva
unknown
BornholmBitextMining
train
I Sandvig er der mange byboer som tillige er avlsbrugere .
I Sannvi e dær många awlsbröggara .
unknown
BornholmBitextMining
train
sengen er nedtrykket .
sæjngen hon e nerbâlad .
unknown
BornholmBitextMining
train
han har lavet det er en fornøjelse .
hajn hâr lawad'ed så nætt å så akkorât så de e en fornoielse-
unknown
BornholmBitextMining
train
de der børn løber .
di bællana løvva hær å bajsa .
unknown
BornholmBitextMining
train
der var ikke noget hul til fraløb at det løb ovenud .
dær va'nte nâd holl te fråløvv , ijnn som ded løvv âuanud .
unknown
BornholmBitextMining
train
ah , så blødt og varmt det er .
â , så bløtt å varmt ded e .
unknown
BornholmBitextMining
train
allerførst skal jeg have mig en smule mad .
allrafosst ska jâ hâ mai igrân mâd .
unknown
BornholmBitextMining
train
hold dine ben hos dig selv ; lad være at strække dem så langt ud , at de generer andre .
hojll ben ad dai !
unknown
BornholmBitextMining
train
End of preview.

MTEB BitextMining Aggregated Dataset (Full)

This dataset aggregates ALL configs from 10 BitextMining datasets in the MTEB (Massive Text Embedding Benchmark) Multilingual v2 benchmark into a single, unified dataset for comprehensive bitext mining evaluation.

Dataset Summary

  • Total Examples: 448,229 sentence pairs
  • Source Datasets (Configs): 10 MTEB BitextMining tasks
  • Total Splits: 332 language pairs/configurations
  • Languages: 300+ unique language codes across all datasets
  • Task: Bitext Mining (parallel sentence retrieval)
  • Format: Standardized schema across all sources

Structure

Each source dataset is a config, and each original config (language pair) within that dataset is a split.

Example Usage

from datasets import load_dataset

# Load specific config (source dataset)
tatoeba = load_dataset("SaylorTwift/mteb-bitext-mining-aggregated", "Tatoeba")
# This gives you 112 splits, one for each language pair

# Access a specific language pair split
french_english = tatoeba['fra-eng']
print(f"French-English pairs: {len(french_english)}")

# Load another config
indic = load_dataset("SaylorTwift/mteb-bitext-mining-aggregated", "IndicGenBenchFloresBitextMining")
# This gives you 58 splits for different Indic language pairs

# Access a split
hindi_english = indic['hin-eng']

Schema

Each example contains:

  • sentence1 (string): First sentence of the pair
  • sentence2 (string): Second sentence of the pair (translation/parallel text)
  • lang (string): Language pair code (e.g., "fra-eng", "de-en")
  • source_dataset (string): Original MTEB dataset name
  • original_split (string): Original split name (train/validation/test)
  • config (string): Original config name

Configs (Source Datasets)

Config Splits Examples Description
Tatoeba 112 88,877 Tatoeba sentence pairs across 112 language pairs
IN22GenBitextMining 128 131,072 Indic language pairs (23 languages, all combinations)
IndicGenBenchFloresBitextMining 58 116,522 Indic languages with English from Flores
NusaTranslationBitextMining 11 50,200 Indonesian regional language pairs
BUCC_v2 4 35,000 BUCC bitext mining (de-en, fr-en, ru-en, zh-en)
DiaBlaBitextMining 2 11,496 English-French dialogue pairs (both directions)
BornholmBitextMining 1 6,785 Danish dialect pairs
NusaXBitextMining 11 5,500 Indonesian languages with English
NollySentiBitextMining 4 1,640 Nigerian languages with English
NorwegianCourtsBitextMining 1 1,137 Norwegian court document pairs

Total: 10 configs, 332 splits, 448,229 examples

Example Splits by Config

Tatoeba (112 language pairs)

sqi-eng, fry-eng, kur-eng, tur-eng, deu-eng, ell-eng, spa-eng, fra-eng, ita-eng, jpn-eng, cmn-eng, kor-eng, ara-eng, rus-eng, por-eng, hin-eng, etc.

IN22GenBitextMining (128 Indic pairs)

asm_Beng-ben_Beng, asm_Beng-eng_Latn, ben_Beng-hin_Deva, guj_Gujr-mar_Deva, etc. (all combinations of 23 Indic languages)

IndicGenBenchFloresBitextMining (58 pairs)

asm-eng, awa-eng, ben-eng, bgc-eng, bho-eng, bod-eng, guj-eng, hin-eng, kan-eng, mal-eng, mar-eng, nep-eng, ory-eng, pan-eng, tam-eng, tel-eng, urd-eng, etc.

BUCC_v2 (4 language pairs)

de-en, fr-en, ru-en, zh-en

NusaTranslationBitextMining (11 Indonesian languages)

ind-abs, ind-bew, ind-bhp, ind-btk, ind-jav, ind-mad, ind-mak, ind-min, ind-mui, ind-rej, ind-sun

NusaXBitextMining (11 pairs)

eng-ace, eng-ban, eng-bbc, eng-bjn, eng-bug, eng-ind, eng-jav, eng-mad, eng-min, eng-nij, eng-sun

Usage Examples

Load all language pairs from a specific source

from datasets import load_dataset

# Load all Tatoeba language pairs
tatoeba = load_dataset("SaylorTwift/mteb-bitext-mining-aggregated", "Tatoeba")

# Iterate through all language pairs
for lang_pair, dataset in tatoeba.items():
    print(f"{lang_pair}: {len(dataset)} pairs")

Load a specific language pair

# Load just German-English from BUCC
bucc = load_dataset("SaylorTwift/mteb-bitext-mining-aggregated", "BUCC_v2")
de_en = bucc['de-en']

for example in de_en:
    print(f"DE: {example['sentence1']}")
    print(f"EN: {example['sentence2']}")
    print()

Filter by language across all datasets

# Load Tatoeba
tatoeba = load_dataset("SaylorTwift/mteb-bitext-mining-aggregated", "Tatoeba")

# Get all examples for a specific language pair
french_english = tatoeba['fra-eng']
print(f"Found {len(french_english)} French-English pairs")

Excluded Datasets

BibleNLPBitextMining (828 configs, 900+ languages) was excluded due to incompatible schema that uses language codes as column names instead of the standard sentence1/sentence2 format.

FloresBitextMining and NTREXBitextMining were excluded in the previous version but may be revisitable with updated processing.

Citation

If you use this dataset, please cite the MTEB benchmark:

@article{muennighoff2022mteb,
  title={MTEB: Massive Text Embedding Benchmark},
  author={Muennighoff, Niklas and Tazi, Nouamane and Magne, Lo{\"\i}c and Reimers, Nils},
  journal={arXiv preprint arXiv:2210.07316},
  year={2022}
}

Individual Dataset Citations

Tatoeba

@inproceedings{artetxe2019massively,
  title={Massively multilingual sentence embeddings for zero-shot cross-lingual transfer and beyond},
  author={Artetxe, Mikel and Schwenk, Holger},
  booktitle={Transactions of the Association for Computational Linguistics},
  year={2019}
}

BUCC

@inproceedings{zweigenbaum2017overview,
  title={Overview of the second BUCC shared task: Spotting parallel sentences in comparable corpora},
  author={Zweigenbaum, Pierre and Sharoff, Serge and Rapp, Reinhard},
  booktitle={Proceedings of the 10th workshop on building and using comparable corpora},
  year={2017}
}

Additional citations available in the original MTEB task metadata and individual dataset pages.

Dataset Statistics

Language Coverage

  • Total unique language codes: 300+
  • Language families: Indo-European, Sino-Tibetan, Afro-Asiatic, Austronesian, Dravidian, and many more
  • Coverage: High-resource (English, French, German, Spanish, Chinese, etc.), mid-resource (Hindi, Bengali, Tamil, etc.), and low-resource languages

Split Distribution

  • Total splits: 332 (each representing a specific language pair or configuration)
  • Examples per split: Ranges from 228 to 8,750, with most splits containing 500-1,000 examples

Data Quality

  • All sentence pairs have been validated to contain non-empty sentence1 and sentence2 fields
  • Language codes are preserved from original datasets
  • Source attribution maintained for every example

License

This aggregated dataset inherits the licenses from its source datasets. Most MTEB datasets are released under permissive licenses (Apache 2.0, MIT, CC-BY, etc.). Please refer to the original dataset pages for specific licensing information.

Acknowledgments

  • MTEB Team: For creating and maintaining the benchmark
  • Original Dataset Creators: For providing high-quality bitext mining datasets
  • Hugging Face: For dataset hosting and infrastructure

Version History

  • v2.0 (2026-04-02): Full release

    • 10 source datasets (configs)
    • 332 splits (all language pairs)
    • 448,229 sentence pairs
    • 300+ language codes
  • v1.0 (2026-04-02): Initial partial release (deprecated)

    • Only loaded default configs
    • 8 source datasets
    • 139,457 examples

Contact

For questions or issues with this aggregated dataset, please open an issue on the repository or contact the dataset creator.

Downloads last month
28

Paper for SaylorTwift/mteb-bitext-mining-aggregated