Datasets:
id stringlengths 36 36 | text large_stringlengths 21 16.6M | source stringclasses 3
values | language stringclasses 1
value | meta large_stringlengths 163 2.37k |
|---|---|---|---|---|
dc52abb7-6329-4938-bc25-df51ea59affc | 5. ΑΝΑΓΚ. ΝΟΜΟΣ 1204 της 20/29 Απρ. 1938 Περί απαγορεύσεως της χρήσεως των μολυβδούχων χρωμάτων. Άρθρον 1 Απαγορεύεται εις τας εργασίας χρωματισμού η χρήσις μολυβδούχων χρωμάτων περιεχόντων εις αναλογίαν μεγαλειτέραν των δύο επί τοις εκατόν (2%) μεταλλικόν μόλυβδον. Άρθρ.13-19.-(Καταργήθηκαν από την παρ. 3 άρθρ. 17 το... | greek_legislation | el | {"volume_id": 41, "volume_name": "ΕΡΓΑΤΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΑΝΑΓΚΑΣΤΙΚΟΣ ΝΟΜΟΣ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
76beb5ee-d868-422e-b440-81c7bc1c13ec | 15. ΝΟΜΟΘΕΤ.ΔΙΑΤΑΓΜΑ υπ’ αριθ.262 της 8/8 Ιουλ.1941 Περί συστάσεως θέσεως Γεν. Επιθεωρητού των εν Πελοποννήσω Νομαρχιών και αναστολής της ισχύος των περί εντοπιότητος διατάξεων. Προσωρινής ισχύος, ως και τα: α)Ν.Δ.794 της 29 Νοεμ./12 Δεκ.1941 περί συστάσεως εν Βόλω Γεν. Επιθεωρήσεως Νομαρχιών και συμπληρώσεως του άρθρ... | greek_legislation | el | {"volume_id": 35, "volume_name": "ΔΙΟΙΚΗΤΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΝΟΜΟΘΕΤΙΚΟ ΔΙΑΤΑΓΜΑ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
093d234d-19d0-4bb8-9b1d-d14fda6b293c | 29. ΝΟΜΟΘΕΤ. ΔΙΑΤΑΓΜΑ υπ’ αριθ. 1164 της 4 Μαρτ./1 Απρ. 1942 Περί υπαγωγής της Υπηρεσίας Αυτοκινήτων απ’ ευθείας εις την Γενικήν Διεύθυνσιν Τ.Τ.Τ. Αντικατεστάθη δια των διατάξεων του Β.Δ. 870/1960. | greek_legislation | el | {"volume_id": 6, "volume_name": "ΤΑΧΥΔΡΟΜΕΙΑ - ΤΗΛΕΠΙΚΟΙΝΩΝΙΕΣ", "doc_type": "ΝΟΜΟΘΕΤΙΚΟ ΔΙΑΤΑΓΜΑ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
3e90b10f-7802-4a5d-92a5-b6f2f0f11d7d | 29. ΠΡΟΕΔΡΙΚΟ ΔΙΑΤΑΓΜΑ υπ’ αριθ. 384 της 16/25 Ιουλ. 1985 (ΦΕΚ Α΄ 136) Κανονισμός αμοιβών ιατρικών επισκέψεων και πράξεων. ΄Εχοντες υπόψη: 1.Τις διατάξεις του άρθρ. 29 του Α.Ν. 1565/39 «Περί κώδικος ασκήσεως του ιατρικού επαγγέλματος», καθώς και του άρθρ. 1 του Ν.Δ. 3623/56 «Περί καθορισμού κατωτάτων ορίων ιατρικής αμο... | greek_legislation | el | {"volume_id": 4, "volume_name": "ΥΓΕΙΟΝΟΜΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΠΡΟΕΔΡΙΚΟ ΔΙΑΤΑΓΜΑ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
e36bf481-f328-4863-bd76-fff93f6462f8 | 6. ΝΟΜΟΣ υπ’ αριθ. 213 της 13/20 Νοεμ. 1975 (ΦΕΚ Α΄ 258) Περί κυρώσεως της Διεθνούς Συμβάσεως των Παρισίων του 1883 «περί προστασίας της Βιομηχανικής Ιδιοκτησίας», ως αύτη ανεθεωρήθη εν Στοκχόλμη τη 14ην Ιουλ. 1967. Άρθρον πρώτον.-Κυρούται και έχει ισχύν νόμου η υπογραφείσα εν Στοκχόλμη την 14 Ιουλ. 1967 Διεθνής Σύμβασ... | greek_legislation | el | {"volume_id": 43, "volume_name": "ΕΜΠΟΡΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΝΟΜΟΣ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
fd2bdc28-d0e6-4754-be58-ad62181c7389 | 58. ΠΡΟΕΔΡΙΚΟ ΔΙΑΤΑΓΜΑ υπ’ αριθ. 179 της 28/30 Μαρτ. 1989 (ΦΕΚ Α΄ 88) Διορισμός και τοποθέτηση εκπαιδευτικού προσωπικού της δευτεροβάθμιας εκπαίδευσης. ΄Εχοντας υπόψη: 1.Τις διατάξεις του άρθρ. 15, κεφ. β΄ παρ. 10 και Κεφ. Δ΄ παρ. 5 του Νόμ. 1566/1985 “δομή και λειτουργία της Πρωτοβάθμιας και δευτεροβάθμιας εκπαίδευσης... | greek_legislation | el | {"volume_id": 21, "volume_name": "ΕΚΠΑΙΔΕΥΤΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΠΡΟΕΔΡΙΚΟ ΔΙΑΤΑΓΜΑ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
de0d1cb5-85fc-4688-8bc0-243c923e4e87 | 19. ΝΟΜΟΘΕΤ. ΔΙΑΤΑΓΜΑ υπ’ αριθ. 2528 της 13/22 Αυγ. 1953 (ΦΕΚ Α΄ 222) Περί εισφοράς υπέρ του Ταμείου Ασφαλίσεως Αρτεργατών. | greek_legislation | el | {"volume_id": 19, "volume_name": "ΑΣΦΑΛΙΣΤΙΚΑ ΤΑΜΕΙΑ", "doc_type": "ΝΟΜΟΘΕΤΙΚΟ ΔΙΑΤΑΓΜΑ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
ca844e7e-8e93-4f0b-a280-2536974c4d1a | 41. ΠΡΑΞΗ ΥΠΟΥΡΓΙΚΟΥ ΣΥΜΒΟΥΛΙΟΥ Αριθ. 21 της 15/3/2001 (ΦΕΚ Α΄ 53) Αναπροσαρμογή των τηρουμένων στην Τράπεζα της Ελλάδος σε δραχμές διαθεσίμων του Διεθνούς Νομισματικού Ταμείου (Δ.Ν.Τ.). Σελ. 252,332 Τεύχος Σελ. 609 40.Β.γ.38-41 Διεθνές Νομισματικό Ταμείο | greek_legislation | el | {"volume_id": 34, "volume_name": "ΔΙΠΛΩΜΑΤΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": null, "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
953dfbb0-2437-4a02-b88f-c219e4cf904d | 5. ΑΝΑΓΚ. ΝΟΜΟΣ υπ’ αριθ.1923 της 27/31 Αυγ.1951 Περί κυρώσεως των εν Βρυξέλλαις υπογραφεισών Συμβάσεων α)περί Συμβουλίου Τελωνειακής Συνεργασίας, β)περί ονοματολογίας και γ)περί δασμολογητέας αξίας των εμπορευμάτων, ως και του πρωτοκόλλου του σχετικού με τον Όμιλον Μελετών δια την Ευρωπαϊκήν Τελωνειακήν Ένωσιν. Άρθρον... | greek_legislation | el | {"volume_id": 23, "volume_name": "ΤΕΛΩΝΕΙΑΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΑΝΑΓΚΑΣΤΙΚΟΣ ΝΟΜΟΣ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
8d6241d3-8d22-4d36-b21e-69c15eaeeac0 | 9. ΑΠΟΦΑΣΙΣ ΥΠΟΥΡΓΟΥ ΠΑΙΔΕΙΑΣ Αριθ.146967 της 23 Νοεμ. 1964/19 Ιαν. 1965 (ΦΕΚ Β΄ 39) Περί των διδασκομένων και εξεταζομένων μαθημάτων εν τη Ιατρική Σχολή του Πανεπιστημίου Αθηνών, Τμηματικών και Πτυχιακών εξετάσεων. | greek_legislation | el | {"volume_id": 44, "volume_name": "ΕΠΙΣΤΗΜΕΣ ΚΑΙ ΤΕΧΝΕΣ", "doc_type": null, "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
0f38e06d-7e5f-4280-84c3-306389a1a739 | 32ζ. ΑΠΟΦΑΣΙΣ ΥΠΟΥΡΓΟΥ ΔΗΜΟΣΙΩΝ ΕΡΓΩΝ Αριθ. Γ. 39501/61 της 8 Μαΐου/18 Ιουν. 1963 (ΦΕΚ Β΄279) Περί εγκρίσεως καθορισμού χερσαίας ζώνης Λιμένος Πειραιώς από περιοχής Όρμου Κανάρη μέχρι Όρμου Παλάσκα (προβλής 1) και επεκτάσεως ταύτης από του Ν.Δ. άκρου του Ναυτικού Νοσοκομείου μέχρι της οδού Μακρυγιάννη (πράξις 326/1961... | greek_legislation | el | {"volume_id": 31, "volume_name": "ΛΙΜΕΝΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": null, "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
d2764174-fa3c-4181-a1ca-7f5d368d3436 | 9. ΑΠΟΦΑΣΗ ΥΠΟΥΡΓΟΥ ΠΡΟΕΔΡΙΑΣ ΚΥΒΕΡΝΗΣΕΩΣ Αριθ. Σ 42/2/15286 της 16 Σεπτ./6 Οκτ. 1980 (ΦΕΚ Β΄ 1012) (Διόρθ. Σφαλμ. στο ΦΕΚ Β΄ 1077 της 22 Οκτ. 1980) Περί των εκθέσεων ουσιαστικών προσόντων του επί συμβάσει εργασίας ιδιωτικού δικαίου ειδικού επιστημονικού τεχνικού και βοηθητικού προσωπικού του Δημοσίου, των οργανισμών... | greek_legislation | el | {"volume_id": 28, "volume_name": "ΔΗΜΟΣΙΟΙ ΥΠΑΛΛΗΛΟΙ", "doc_type": "ΑΠΟΦΑΣΗ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
cc4fa463-c963-456f-a257-6f36860a5ba9 | 2. ΠΡΟΕΔΡΙΚΟΝ ΔΙΑΤΑΓΜΑ υπ’ αριθ. 1124 της 19 Αυγ./22 Σεπτ. 1981 (ΦΕΚ Α΄ 277) Περί των υγειονομικών όρων τους οποίους πρέπει να πληρούν κρεατοσκευάσματα εισαγόμενα εις την Ελλάδα εκ Κρατών μελών των Ευρωπαϊκών Κοινοτήτων, εις συμμόρφωσιν προς την οδηγίαν υπ’ αριθ. 77/99/ΕΟΚ της 21.12.1976 (ΕΕ Νόμ. 26 της 31.1.1977). Κα... | greek_legislation | el | {"volume_id": 7, "volume_name": "ΔΑΣΗ ΚΑΙ ΚΤΗΝΟΤΡΟΦΙΑ", "doc_type": null, "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
364dae0d-83dd-43f9-8f98-f860a331f785 | 93. ΑΠΟΦΑΣΗ ΥΠΟΥΡΓΩΝ ΕΣΩΤΕΡΙΚΩΝ, ΟΙΚΟΝΟΜΙΚΩΝ, ΕΘΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΧΩΡΟΤΑΞΙΑΣ ΚΑΙ ΔΗΜΟΣΙΩΝ ΕΡΓΩΝ Αριθ. Δ4/162 της 28 Μαρτ. /5 Απρ. 1989 (ΦΕΚ Β΄ 238) Σχολική περιουσία, δαπάνες λειτουργίας, καθαριότητας επισκευής και συντήρησης των σχολικών μονάδων πρωτοβάθμιας και δευτεροβάθμιας εκπαίδευ... | greek_legislation | el | {"volume_id": 21, "volume_name": "ΕΚΠΑΙΔΕΥΤΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΑΠΟΦΑΣΗ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
5b5f6d6d-0f08-4f24-839d-351c4ee0ad92 | 3. ΝΟΜΟΣ υπ’ αριθ. 1386 της 5/8 Αυγ. 1983 (ΦΕΚ Α΄ 107) Οργανισμός Οικονομικής Ανασυγκρότησης Επιχειρήσεων. Για τη λύση και εκκαθάριση του Οργανισμού Οικονομικής Ανασυγκρότησης Επιχειρήσεων Α.Ε. βλ. άρθρ. 12 έως και 20 Νόμ. 2741/28-28 Σεπτ. 1999 (ΦΕΚ Α΄199) κατωτ. αριθ. 30. Με την περίπτ. 59 άρθρ. 4 Νόμ. 2459/18-19 Φεβρ... | greek_legislation | el | {"volume_id": 38, "volume_name": "ΕΘΝΙΚΗ ΟΙΚΟΝΟΜΙΑ", "doc_type": "ΝΟΜΟΣ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
528b5d47-c22e-4666-8511-36b1db42b100 | 23. ΑΝΑΓΚ. ΝΟΜΟΣ της 31/31 Οκτ. 1935 Περί πληρώσεως θέσεων στρατιωτικών δικαστικών συμβούλων. Ήδη έχει περιληφθεί στον Κώδικα Δικ. Σώματος Ενόπλων Δυνάμεων του Νόμ. 2304/1995, (ΦΕΚ Α΄ 83), κατωτ. αριθ. 43. | greek_legislation | el | {"volume_id": 42, "volume_name": "ΠΟΙΝΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΑΝΑΓΚΑΣΤΙΚΟΣ ΝΟΜΟΣ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"} |
Greek Corpus 150B
A large-scale, deduplicated Greek (Modern Greek, el) text corpus for training and fine-tuning foundation models. It pairs a broad web/knowledge/formal-document pretrain layer with a multilingual-instruction SFT layer, all normalized to a single unified schema and globally deduplicated.
This is part of an ongoing Global Corpus family of per-language foundation-model datasets (Dutch, Turkish, Bulgarian, Greek, …) built on a consistent architecture so that sources, schema, and provenance stay comparable across languages.
~146B pretrain tokens (Qwen3 tokenizer, 2% per-source sampled estimate, ±1.4B) across 49.6M documents, plus a ~10B-token SFT layer across 9.9M conversations. The repository is named for the rounded 150B headline figure.
Why this corpus
Greek is comparatively underserved at the open-corpus level. This dataset is designed to bridge that gap with:
- Scale — a web backbone large enough to anchor real pretraining.
- A native formal layer — Greek legislation from the Official Government Gazette, not just an EU-aggregator slice.
- Clean, documented provenance — every row carries source-specific metadata, and the construction methodology is fully described below.
- A consistent schema — drop-in compatible with the rest of the Global Corpus family.
Subsets
| Subset | Rows (post-dedup) | Schema |
|---|---|---|
pretrain |
49,571,877 | {id, text, source, language, meta} |
sft |
9,920,765 | {id, messages, source, meta} |
from datasets import load_dataset
# Pretrain (streaming recommended — the web backbone is large)
ds = load_dataset("hasankursun/greek-corpus-150b", "pretrain", split="train", streaming=True)
# SFT (ChatML-style messages)
sft = load_dataset("hasankursun/greek-corpus-150b", "sft", split="train", streaming=True)
Sources & token composition
Token counts are Qwen3-tokenizer estimates from a deterministic 2% per-source sample (each source extrapolated on its own tokens/doc ratio), to stay consistent with the rest of the Global Corpus family.
Pretrain
| Source | Documents | Est. tokens | Tok/doc | Register | Upstream |
|---|---|---|---|---|---|
fineweb-2 |
47,320,750 | ~111.1B | 2,348 | Web crawl | HuggingFaceFW/fineweb-2 (ell_Grek) |
finepdfs |
1,962,750 | ~33.9B | 17,297 | PDF / long-form formal | HuggingFaceFW/finepdfs (ell_Grek) |
finewiki |
241,150 | ~0.70B | 2,905 | Encyclopedic | HuggingFaceFW/finewiki (el) |
greek_legislation |
47,250 | ~0.16B | 3,314 | Native legal / statutory | AI-team-UoA/greek_legal_code (Raptarchis) |
| Total | 49,571,877 | ~145.9B |
SFT
| Source | Conversations | Est. tokens | Tok/doc | Upstream |
|---|---|---|---|---|
xp3x_greek |
6,421,650 | ~8.69B | 1,354 | CohereLabs/xP3x (ell_Grek) |
aya_collection_greek |
3,499,150 | ~1.37B | 393 | CohereLabs/aya_collection_language_split (greek) |
| Total | 9,920,765 | ~10.07B |
The SFT layer keeps Greek-involving cross-lingual tasks (e.g. translation into/out of Greek), not strictly monolingual pairs — consistent with the family default.
Data fields
pretrain
| Field | Type | Description |
|---|---|---|
id |
string | UUIDv4, unique per document |
text |
string | Document text |
source |
string | One of fineweb-2, finepdfs, finewiki, greek_legislation |
language |
string | Always el |
meta |
string | JSON-serialized, source-specific metadata (see below) |
meta keys by source:
fineweb-2—url, date, dump, file_path, language_score, token_countfinepdfs—url, date, file_path, token_count, dump, original_id, full_doc_lid_score, fw_edu_scores, is_truncatedfinewiki—url, title, date, wikidata_id, original_id, dumpgreek_legislation—volume_id, volume_name, doc_type, source_name, gazette
finepdfscarries extra per-document quality signals (full_doc_lid_score,fw_edu_scores,is_truncated) to support downstream quality filtering.greek_legislationmaps each document to its Raptarchis thematic volume (e.g.ΕΡΓΑΤΙΚΗ ΝΟΜΟΘΕΣΙΑ) and parses its legaldoc_type(ΝΟΜΟΣ,ΠΡΟΕΔΡΙΚΟ ΔΙΑΤΑΓΜΑ, …).
sft
| Field | Type | Description |
|---|---|---|
id |
string | UUIDv4, unique per conversation |
messages |
list[{role, content}] | ChatML-style turns (user / assistant) |
source |
string | xp3x_greek or aya_collection_greek |
meta |
string | JSON-serialized: dataset_name, original_id, task_name, template_name (+ config for xP3x) |
Construction & deduplication
Every source was ingested with a streaming-first, RAM-bounded pipeline and normalized to the unified schema above, written as ZSTD-compressed Parquet shards. Each document carried an intermediate _dedup_key (a blake2b hash of its whitespace-normalized text), used only for deduplication and dropped from the final release.
The combine step performs a global, cross-source deduplication:
- Exact-content duplicates (whitespace-normalized) are collapsed across all sources, not just within each source.
- When the same content appears in more than one source, a priority order decides the winner:
greek_legislation>finewiki>finepdfs>fineweb-2(authoritative/formal sources win over web). The SFT layer prioritizesaya_collection_greek>xp3x_greek. - Deduplication is structural only — no quality filtering is applied at this stage (quality signals are preserved in
metafor downstream use).
Per-subset deduplication statistics (rows in/out, duplicates removed, per-source survival) are recorded in each subset's _manifest.json.
Intended use & limitations
Intended use: pretraining and instruction-tuning of Greek and multilingual language models; Greek NLP research; tokenizer training.
Limitations to be aware of:
- Web-tier quality varies. Like all CommonCrawl-derived corpora, the
fineweb-2layer contains some machine-translated and low-quality pages. No quality filter has been applied — the corpus is deliberately shipped at full recall, withfinepdfsedu/LID scores provided so you can filter to taste. - SFT contains machine-translated instruction data. Portions of the Aya layer are machine-translated (the
dataset_namefield lets you filter or reweight by source quality). xP3x is heavily translation-task oriented. - Token counts are sampled estimates, not exhaustive counts (2% per-source sample, ±~1% at the corpus level). Run an exhaustive pass if you need an exact figure.
- Legislation is historical (Raptarchis spans 1834–2015) and reflects the language and orthography of its period.
Licensing
This dataset is released under Apache-2.0, but it aggregates content from multiple upstream sources that retain their original licenses and terms. Notably: FineWeb-2 / FinePDFs / FineWiki derive from Common Crawl and Wikipedia and carry their respective terms; the Aya Collection and xP3x are released under permissive licenses with per-subdataset terms; Greek legislation derives from public Government Gazette material via AI-team-UoA/greek_legal_code. Users are responsible for verifying that their intended use complies with the terms of each upstream source. Please consult the linked upstream datasets for details.
Citation
@misc{kursun_greek_corpus_150b,
title = {Greek Corpus 150B: A Deduplicated Greek Corpus for Foundation Models},
author = {Kurşun, Hasan},
year = {2026},
howpublished = {\url{https://huggingface.co/datasets/hasankursun/greek-corpus-150b}},
note = {Part of the Global Corpus family}
}
Please also cite the upstream sources (FineWeb-2, FinePDFs, FineWiki, Aya Collection, xP3x, Greek Legal Code) where appropriate.
Contact & custom work
Built and maintained by Hasan Kurşun.
I build large-scale, multilingual datasets and ML data pipelines — corpus construction, dataset curation and cleaning, retrieval/embedding data, instruction-tuning sets, and end-to-end data engineering for LLM and ML projects. If you need a bespoke dataset (your language, your domain, your schema) or custom data/ML consulting, I'd be glad to help.
Available for freelance and contract work on data engineering, dataset construction, and applied ML.
- Downloads last month
- 391