Upload all models and assets for ary (20251001)

.gitattributes

@@ -38,3 +38,4 @@ visualizations/performance_dashboard.png filter=lfs diff=lfs merge=lfs -text
 visualizations/tsne_sentences.png filter=lfs diff=lfs merge=lfs -text
 visualizations/tsne_words.png filter=lfs diff=lfs merge=lfs -text
 visualizations/zipf_law.png filter=lfs diff=lfs merge=lfs -text
+visualizations/position_encoding_comparison.png filter=lfs diff=lfs merge=lfs -text

README.md

@@ -23,14 +23,14 @@ dataset_info:
 metrics:
   - name: best_compression_ratio
     type: compression
-    value: 3.683
+    value: 4.180
   - name: best_isotropy
     type: isotropy
-    value: 0.8264
+    value: 0.8384
   - name: vocabulary_size
     type: vocab
-    value: 81712
-generated: 2025-12-27
+    value: 0
+generated: 2026-01-03
 ---
 
 # Moroccan Arabic - Wikilangs Models
@@ -44,12 +44,13 @@ We analyze tokenizers, n-gram models, Markov chains, vocabulary statistics, and
 ### Models & Assets
 
 - Tokenizers (8k, 16k, 32k, 64k)
-- N-gram models (2, 3, 4-gram)
-- Markov chains (context of 1, 2, 3 and 4)
+- N-gram models (2, 3, 4, 5-gram)
+- Markov chains (context of 1, 2, 3, 4 and 5)
 - Subword N-gram and Markov chains
-- Embeddings in various sizes and dimensions
+- Embeddings in various sizes and dimensions (aligned and unaligned)
 - Language Vocabulary
 - Language Statistics
+
 ![Performance Dashboard](visualizations/performance_dashboard.png)
 
 ### Analysis and Evaluation
@@ -59,7 +60,8 @@ We analyze tokenizers, n-gram models, Markov chains, vocabulary statistics, and
 - [3. Markov Chain Evaluation](#3-markov-chain-evaluation)
 - [4. Vocabulary Analysis](#4-vocabulary-analysis)
 - [5. Word Embeddings Evaluation](#5-word-embeddings-evaluation)
-- [6. Summary & Recommendations](#6-summary--recommendations)
+- [6. Morphological Analysis (Experimental)](#6-morphological-analysis)
+- [7. Summary & Recommendations](#7-summary--recommendations)
 - [Metrics Glossary](#appendix-metrics-glossary--interpretation-guide)
 - [Visualizations Index](#visualizations-index)
 
@@ -68,56 +70,57 @@ We analyze tokenizers, n-gram models, Markov chains, vocabulary statistics, and
 
 ![Tokenizer Compression](visualizations/tokenizer_compression.png)
 
+![Tokenizer Fertility](visualizations/tokenizer_fertility.png)
+
+![Tokenizer OOV](visualizations/tokenizer_oov.png)
+
+![Total Tokens](visualizations/tokenizer_total_tokens.png)
+
 ### Results
 
 | Vocab Size | Compression | Avg Token Len | UNK Rate | Total Tokens |
 |------------|-------------|---------------|----------|--------------|
-| **8k** | 3.134x | 3.09 | 0.0472% | 379,309 |
-| **16k** | 3.346x | 3.30 | 0.0504% | 355,311 |
-| **32k** | 3.535x | 3.49 | 0.0532% | 336,296 |
-| **64k** | 3.683x 🏆 | 3.64 | 0.0555% | 322,761 |
+| **8k** | 3.512x | 3.52 | 0.0922% | 278,716 |
+| **16k** | 3.778x | 3.78 | 0.0992% | 259,059 |
+| **32k** | 4.002x | 4.01 | 0.1051% | 244,561 |
+| **64k** | 4.180x 🏆 | 4.18 | 0.1098% | 234,163 |
 
 ### Tokenization Examples
 
 Below are sample sentences tokenized with each vocabulary size:
 
-**Sample 1:** `معمر زين العاشقين قاري و حافظ د لقرآن.
-
- مصادر 
-
-تصنيف:زيادة 1954
-تصنيف:ناس حيين...`
+**Sample 1:** `مصادر شوف تا داريجة تاريخ لكتابة ب داريجة ليستة د لمكتوبات ب داريجة ليستة د لكتو...`
 
 | Vocab | Tokens | Count |
 |-------|--------|-------|
-| 8k | `▁مع مر ▁زين ▁الع اش قين ▁ق اري ▁و ▁ح ... (+21 more)` | 31 |
-| 16k | `▁مع مر ▁زين ▁الع اش قين ▁ق اري ▁و ▁حافظ ... (+20 more)` | 30 |
-| 32k | `▁معمر ▁زين ▁الع اش قين ▁قاري ▁و ▁حافظ ▁د ▁لقرآن ... (+18 more)` | 28 |
-| 64k | `▁معمر ▁زين ▁العاش قين ▁قاري ▁و ▁حافظ ▁د ▁لقرآن . ... (+17 more)` | 27 |
+| 8k | `▁مصادر ▁شوف ▁تا ▁داريجة ▁تاريخ ▁لكتابة ▁ب ▁داريجة ▁ليستة ▁د ... (+22 more)` | 32 |
+| 16k | `▁مصادر ▁شوف ▁تا ▁داريجة ▁تاريخ ▁لكتابة ▁ب ▁داريجة ▁ليستة ▁د ... (+20 more)` | 30 |
+| 32k | `▁مصادر ▁شوف ▁تا ▁داريجة ▁تاريخ ▁لكتابة ▁ب ▁داريجة ▁ليستة ▁د ... (+20 more)` | 30 |
+| 64k | `▁مصادر ▁شوف ▁تا ▁داريجة ▁تاريخ ▁لكتابة ▁ب ▁داريجة ▁ليستة ▁د ... (+20 more)` | 30 |
 
-**Sample 2:** `ضريب لمؤخرة (ب ) فبي دي إس إم عملية جنسية كاتخدّم كا عقاب ولا ل لإتارة لجنسية ما...`
+**Sample 2:** `أمين رباطي (مزيود ف يوليوز هو كوايري مغريبي. مصادر مغريبي د رجال حيين`
 
 | Vocab | Tokens | Count |
 |-------|--------|-------|
-| 8k | `▁ض ريب ▁لمؤ خرة ▁( ب ▁) ▁ف بي ▁دي ... (+40 more)` | 50 |
-| 16k | `▁ض ريب ▁لمؤ خرة ▁( ب ▁) ▁ف بي ▁دي ... (+36 more)` | 46 |
-| 32k | `▁ض ريب ▁لمؤ خرة ▁( ب ▁) ▁ف بي ▁دي ... (+32 more)` | 42 |
-| 64k | `▁ضريب ▁لمؤخرة ▁( ب ▁) ▁ف بي ▁دي ▁إس ▁إم ... (+28 more)` | 38 |
+| 8k | `▁أمين ▁رباط ي ▁( مزيود ▁ف ▁يوليوز ▁هو ▁كوايري ▁مغريبي ... (+6 more)` | 16 |
+| 16k | `▁أمين ▁رباط ي ▁( مزيود ▁ف ▁يوليوز ▁هو ▁كوايري ▁مغريبي ... (+6 more)` | 16 |
+| 32k | `▁أ��ين ▁رباطي ▁( مزيود ▁ف ▁يوليوز ▁هو ▁كوايري ▁مغريبي . ... (+5 more)` | 15 |
+| 64k | `▁أمين ▁رباطي ▁( مزيود ▁ف ▁يوليوز ▁هو ▁كوايري ▁مغريبي . ... (+5 more)` | 15 |
 
-**Sample 3:** `ضباب  هوّا إيروصول كيتشاف ب لْعين، مكوّن من قطرات صغار ديال لما ؤلا كريستالات دي...`
+**Sample 3:** `هادي صفحة د التوضيح، كلمة دوري يمكن يكونو عندها هاد لمعاني: طابلو دوري دوري أبطا...`
 
 | Vocab | Tokens | Count |
 |-------|--------|-------|
-| 8k | `▁ض باب ▁هوّا ▁إير وص ول ▁كيت شاف ▁ب ▁لْ ... (+34 more)` | 44 |
-| 16k | `▁ض باب ▁هوّا ▁إير وص ول ▁كيت شاف ▁ب ▁لْ ... (+31 more)` | 41 |
-| 32k | `▁ض باب ▁هوّا ▁إير وصول ▁كيتشاف ▁ب ▁لْ عين ، ... (+27 more)` | 37 |
-| 64k | `▁ض باب ▁هوّا ▁إير وصول ▁كيتشاف ▁ب ▁لْ عين ، ... (+24 more)` | 34 |
+| 8k | `▁هادي ▁صفحة ▁د ▁التوضيح ، ▁كلمة ▁دوري ▁يمكن ▁يكونو ▁عندها ... (+10 more)` | 20 |
+| 16k | `▁هادي ▁صفحة ▁د ▁التوضيح ، ▁كلمة ▁دوري ▁يمكن ▁يكونو ▁عندها ... (+9 more)` | 19 |
+| 32k | `▁هادي ▁صفحة ▁د ▁التوضيح ، ▁كلمة ▁دوري ▁يمكن ▁يكونو ▁عندها ... (+9 more)` | 19 |
+| 64k | `▁هادي ▁صفحة ▁د ▁التوضيح ، ▁كلمة ▁دوري ▁يمكن ▁يكونو ▁عندها ... (+9 more)` | 19 |
 
 
 ### Key Findings
 
-- **Best Compression:** 64k achieves 3.683x compression
-- **Lowest UNK Rate:** 8k with 0.0472% unknown tokens
+- **Best Compression:** 64k achieves 4.180x compression
+- **Lowest UNK Rate:** 8k with 0.0922% unknown tokens
 - **Trade-off:** Larger vocabularies improve compression but increase model size
 - **Recommendation:** 32k vocabulary provides optimal balance for production use
 
@@ -126,57 +129,89 @@ Below are sample sentences tokenized with each vocabulary size:
 
 ![N-gram Perplexity](visualizations/ngram_perplexity.png)
 
+![N-gram Unique](visualizations/ngram_unique.png)
+
 ![N-gram Coverage](visualizations/ngram_coverage.png)
 
 ### Results
 
-| N-gram | Perplexity | Entropy | Unique N-grams | Top-100 Coverage | Top-1000 Coverage |
-|--------|------------|---------|----------------|------------------|-------------------|
-| **2-gram** | 7,187 🏆 | 12.81 | 56,749 | 24.4% | 53.2% |
-| **2-gram** | 486 🏆 | 8.93 | 6,227 | 54.9% | 95.4% |
-| **3-gram** | 8,812 | 13.11 | 76,888 | 21.3% | 52.8% |
-| **3-gram** | 4,295 | 12.07 | 51,256 | 22.1% | 58.7% |
-| **4-gram** | 12,168 | 13.57 | 124,859 | 20.1% | 50.4% |
-| **4-gram** | 22,008 | 14.43 | 260,844 | 12.0% | 35.5% |
+| N-gram | Variant | Perplexity | Entropy | Unique N-grams | Top-100 Coverage | Top-1000 Coverage |
+|--------|---------|------------|---------|----------------|------------------|-------------------|
+| **2-gram** | Word | 6,129 | 12.58 | 35,218 | 24.5% | 53.4% |
+| **2-gram** | Subword | 415 🏆 | 8.70 | 5,585 | 58.6% | 96.6% |
+| **3-gram** | Word | 4,994 | 12.29 | 39,702 | 28.5% | 58.9% |
+| **3-gram** | Subword | 3,624 | 11.82 | 41,944 | 23.5% | 61.8% |
+| **4-gram** | Word | 6,987 | 12.77 | 63,706 | 28.4% | 55.4% |
+| **4-gram** | Subword | 18,675 | 14.19 | 204,568 | 12.3% | 37.2% |
 
 ### Top 5 N-grams by Size
 
-**2-grams:**
+**2-grams (Word):**
+
+| Rank | N-gram | Count |
+|------|--------|-------|
+| 1 | `واصلة ل` | 8,540 |
+| 2 | `نسبة د` | 7,170 |
+| 3 | `ف لمغريب` | 6,247 |
+| 4 | `ف إقليم` | 6,016 |
+| 5 | `ف نسبة` | 4,265 |
+
+**3-grams (Word):**
 
 | Rank | N-gram | Count |
 |------|--------|-------|
-| 1 | `تصنيف :` | 37,187 |
-| 2 | `، و` | 18,746 |
-| 3 | `ن ّ` | 10,639 |
-| 4 | `) :` | 10,185 |
-| 5 | `مصادر تصنيف` | 10,087 |
+| 1 | `ف نسبة د` | 4,264 |
+| 2 | `فيها مصدر و` | 3,236 |
+| 3 | `و نسبة د` | 2,894 |
+| 4 | `مصدر و بايت` | 2,856 |
+| 5 | `اللي خدامين ف` | 2,759 |
 
-**3-grams:**
+**4-grams (Word):**
 
 | Rank | N-gram | Count |
 |------|--------|-------|
-| 1 | `مصادر تصنيف :` | 10,087 |
-| 2 | `تصنيف : مقالات` | 7,001 |
-| 3 | `ن ّ اس` | 6,981 |
-| 4 | `ل ّ ي` | 6,914 |
-| 5 | `: دوار ف` | 5,007 |
+| 1 | `فيها مصدر و بايت` | 2,856 |
+| 2 | `نسبة نّاس اللي خدامين` | 2,705 |
+| 3 | `نّاس اللي خدامين ف` | 2,593 |
+| 4 | `على حساب لإحصاء الرسمي` | 2,501 |
+| 5 | `لعاداد د سّكان ديالو` | 2,500 |
 
-**4-grams:**
+**2-grams (Subword):**
 
 | Rank | N-gram | Count |
 |------|--------|-------|
-| 1 | `تصنيف : دوار ف` | 5,005 |
-| 2 | `نسبة ن ّ اس` | 4,061 |
-| 3 | `. مصادر تصنيف :` | 3,827 |
-| 4 | `تصنيف : مقالات زادهوم` | 3,506 |
-| 5 | `: مقالات زادهوم داريجابوت` | 3,506 |
+| 1 | `ا ل` | 293,281 |
+| 2 | `_ ل` | 265,615 |
+| 3 | `ة _` | 209,034 |
+| 4 | `_ ا` | 180,710 |
+| 5 | `_ م` | 141,509 |
+
+**3-grams (Subword):**
+
+| Rank | N-gram | Count |
+|------|--------|-------|
+| 1 | `_ ا ل` | 176,897 |
+| 2 | `_ ف _` | 80,240 |
+| 3 | `_ د _` | 57,749 |
+| 4 | `_ و _` | 57,033 |
+| 5 | `ا ت _` | 56,985 |
+
+**4-grams (Subword):**
+
+| Rank | N-gram | Count |
+|------|--------|-------|
+| 1 | `_ د ي ا` | 43,807 |
+| 2 | `د ي ا ل` | 43,597 |
+| 3 | `ي ا ل _` | 30,362 |
+| 4 | `د _ ا ل` | 29,177 |
+| 5 | `_ م ن _` | 25,265 |
 
 
 ### Key Findings
 
-- **Best Perplexity:** 2-gram with 486
+- **Best Perplexity:** 2-gram (subword) with 415
 - **Entropy Trend:** Decreases with larger n-grams (more predictable)
-- **Coverage:** Top-1000 patterns cover ~35% of corpus
+- **Coverage:** Top-1000 patterns cover ~37% of corpus
 - **Recommendation:** 4-gram or 5-gram for best predictive performance
 
 ---
@@ -184,55 +219,86 @@ Below are sample sentences tokenized with each vocabulary size:
 
 ![Markov Entropy](visualizations/markov_entropy.png)
 
+![Markov Contexts](visualizations/markov_contexts.png)
+
 ![Markov Branching](visualizations/markov_branching.png)
 
 ### Results
 
-| Context | Avg Entropy | Perplexity | Branching Factor | Unique Contexts | Predictability |
-|---------|-------------|------------|------------------|-----------------|----------------|
-| **1** | 0.7813 | 1.719 | 5.36 | 189,320 | 21.9% |
-| **1** | 1.1519 | 2.222 | 8.71 | 1,931 | 0.0% |
-| **2** | 0.2761 | 1.211 | 1.68 | 1,014,676 | 72.4% |
-| **2** | 0.9863 | 1.981 | 6.24 | 16,826 | 1.4% |
-| **3** | 0.0931 | 1.067 | 1.18 | 1,701,309 | 90.7% |
-| **3** | 0.8744 | 1.833 | 4.33 | 104,928 | 12.6% |
-| **4** | 0.0366 🏆 | 1.026 | 1.07 | 2,000,181 | 96.3% |
-| **4** | 0.6731 🏆 | 1.594 | 2.82 | 454,694 | 32.7% |
+| Context | Variant | Avg Entropy | Perplexity | Branching Factor | Unique Contexts | Predictability |
+|---------|---------|-------------|------------|------------------|-----------------|----------------|
+| **1** | Word | 0.8416 | 1.792 | 5.23 | 162,378 | 15.8% |
+| **1** | Subword | 1.1133 | 2.163 | 8.05 | 2,149 | 0.0% |
+| **2** | Word | 0.2252 | 1.169 | 1.49 | 849,251 | 77.5% |
+| **2** | Subword | 0.8048 | 1.747 | 4.99 | 17,291 | 19.5% |
+| **3** | Word | 0.0625 | 1.044 | 1.10 | 1,262,316 | 93.8% |
+| **3** | Subword | 0.8001 | 1.741 | 4.09 | 86,361 | 20.0% |
+| **4** | Word | 0.0215 🏆 | 1.015 | 1.04 | 1,391,141 | 97.9% |
+| **4** | Subword | 0.6559 | 1.576 | 2.83 | 352,807 | 34.4% |
+
+### Generated Text Samples (Word-based)
 
-### Generated Text Samples
+Below are text samples generated from each word-based Markov chain model:
 
-Below are text samples generated from each Markov chain model:
+**Context Size 1:**
+
+1. `ف لجولة اللولة ديالو ماسك ب الريحة فاميلة ديال لوغات الأمازيغية هويتنا الوطنية بحال بنادم بشكل`
+2. `د الشوماج واصلة ل كانت وحدة من جيهت بّاه إيرول ماسك أسس جمعية الشرف هو اللعاب`
+3. `و بايت زادهوم داريجابوت 19 فاش كانو كايطراو ف نسبة لبطالة نّاس نّشيطين لّي يقدرو يخدمو`
+
+**Context Size 2:**
+
+1. `واصلة ل 5 و عدد لفاميلات تزاد ب 12 2 لمشاركات ف كأس افريقيا في البطولة ديال`
+2. `نسبة د الناس النشيطين ف دوار أمرس واصلة ل 96 3 و نسبة د الجواج ف امزرو`
+3. `ف لمغريب ف إقليم تارودانت جهة سوس ماسة ف لمغريب ف إقليم وارزازات جهة درعا تافيلالت ساكنين`
+
+**Context Size 3:**
+
+1. `ف نسبة د الناس النشيطين ف دوار تامكونسي واصلة ل 49 7 و لموعدّال د لعمر عند الجواج`
+2. `فيها مصدر و علاين بايت د الصويرة`
+3. `و نسبة د الشوماج واصلة ل 14 7 نوطات مصادر ف لمغريب ف إقليم لحوز زادهوم داريجابوت`
+
+**Context Size 4:**
+
+1. `نسبة نّاس اللي خدامين ف دّولة ولا لبيطاليين اللي سبق ليهوم مصادر طنجة تطوان الحسيمة قروية ف إقليم لح...`
+2. `نّاس اللي خدامين ف دّولة ولا لبيطاليين اللي سبق ليهوم خدمو 6 7 نسبة نّاس اللي خدامين ف لپريڤي`
+3. `على حساب لإحصاء الرسمي د عام إحصائيات إحصائيات عامة عدد السكان ديال تمزاوروت تزاد ب 18 6 و عدد`
+
+
+### Generated Text Samples (Subword-based)
+
+Below are text samples generated from each subword-based Markov chain model:
 
 **Context Size 1:**
 
-1. `. لخصوبة عند الجواج ف لكامبيانة د فلوسها من ݣوجارات ف لمغريب تصنيف : لقرن 20`
-2. `، منهوم 816 , geerat j . ولادها بجوج فالإليادة ، عاود قاسها قبل منهوم 154`
-3. `ف إقليم لخميسات تصنيف : سلطان شرعي . ناس د الكاسترد تصنيف : 29 مارس 1920`
+1. `_"أكابي_مناتحسن_`
+2. `ايلممرسية_اهة،_ل`
+3. `لم"ليعن_لنف_لميم`
 
 **Context Size 2:**
 
-1. `تصنيف : مارس تصنيف : زيادة 1961 تصنيف : أفلام د 2005 . لمحطة التانية فيها 66`
-2. `، و معتاقل سياسي روسي . كان خدا لجايزة د لأوسكار لأحسن فيلم قصير ( 4 )`
-3. `ن ّ اس ل ّ ي قاريين فوق الليسي ( ليسي و جامعة ) : 12 ,`
+1. `ال_لليزنيز،_إسلة_`
+2. `_لعام_نخب_ور_تقرو`
+3. `ة_سويسها_كولا_بحو`
 
 **Context Size 3:**
 
-1. `مصادر تصنيف : پاناما تصنيف : عواصم ديال بلدان تصنيف : بانݣلاديش تصنيف : بزوليات د جنوب آسيا`
-2. `تصنيف : مقالات فيها مصدر و 3000 بايت تصنيف : مقالات فيها مصدر و 3000 بايت تصنيف :`
-3. `ن ّ اس ل ّ ي كتعتابر لوغة كيلتية ، ؤ ل ّ يسي . كروص كانت تتحيد`
+1. `_اللات،_سورين._لڭر`
+2. `_ف_نسبة_شبه_ولكرور`
+3. `_د_لعالمغريب._هوّ_و`
 
 **Context Size 4:**
 
-1. `تصنيف : دوار ف عمالة مكناس تصنيف : مقالات زادهوم داريجابوت تصنيف : ناس حيين تصنيف : زيادة 1987`
-2. `نسبة ن ّ اس اللي خدامين ف د ّ ولة : 8 , 3 % نسبة ن ّ اس`
-3. `. مصادر تصنيف : لوغات أمازيغية تصنيف : مقالات فيها مصدر و 3000 بايت تصنيف : مقالات زادهوم داريجابوت`
+1. `_ديال_على_حساب_لإحص`
+2. `ديالو،_(a)_–_bringe`
+3. `يال_التاني_توفى_عوا`
 
 
 ### Key Findings
 
-- **Best Predictability:** Context-4 with 96.3% predictability
+- **Best Predictability:** Context-4 (word) with 97.9% predictability
 - **Branching Factor:** Decreases with context size (more deterministic)
-- **Memory Trade-off:** Larger contexts require more storage (454,694 contexts)
+- **Memory Trade-off:** Larger contexts require more storage (352,807 contexts)
 - **Recommendation:** Context-3 or Context-4 for text generation
 
 ---
@@ -248,64 +314,64 @@ Below are text samples generated from each Markov chain model:
 
 | Metric | Value |
 |--------|-------|
-| Vocabulary Size | 81,712 |
-| Total Tokens | 2,308,873 |
-| Mean Frequency | 28.26 |
+| Vocabulary Size | 70,940 |
+| Total Tokens | 1,845,717 |
+| Mean Frequency | 26.02 |
 | Median Frequency | 4 |
-| Frequency Std Dev | 559.90 |
+| Frequency Std Dev | 518.94 |
 
 ### Most Common Words
 
 | Rank | Word | Frequency |
 |------|------|-----------|
-| 1 | ف | 84,463 |
-| 2 | د | 69,201 |
-| 3 | و | 61,463 |
-| 4 | تصنيف | 37,231 |
-| 5 | ل | 34,076 |
-| 6 | ديال | 32,761 |
-| 7 | من | 29,612 |
-| 8 | على | 19,717 |
-| 9 | لي | 18,627 |
-| 10 | ب | 18,189 |
+| 1 | ف | 80,525 |
+| 2 | د | 57,913 |
+| 3 | و | 57,274 |
+| 4 | ديال | 29,978 |
+| 5 | من | 25,568 |
+| 6 | ل | 23,006 |
+| 7 | على | 17,625 |
+| 8 | لي | 17,540 |
+| 9 | نسبة | 16,376 |
+| 10 | ب | 16,161 |
 
 ### Least Common Words (from vocabulary)
 
 | Rank | Word | Frequency |
 |------|------|-----------|
-| 1 | بيتسي | 2 |
-| 2 | وصانعي | 2 |
-| 3 | وأهميتها | 2 |
-| 4 | بورديو | 2 |
-| 5 | بلومر | 2 |
-| 6 | مقترحة | 2 |
-| 7 | anchor | 2 |
-| 8 | الرسميةاللي | 2 |
-| 9 | بعصبة | 2 |
-| 10 | ماڭي | 2 |
+| 1 | تعاونيات | 2 |
+| 2 | خواني | 2 |
+| 3 | والمصطلحات | 2 |
+| 4 | والنقدية | 2 |
+| 5 | شرقًا | 2 |
+| 6 | غربًا | 2 |
+| 7 | المتري | 2 |
+| 8 | بالمدّ | 2 |
+| 9 | والعبارات | 2 |
+| 10 | الكرم | 2 |
 
 ### Zipf's Law Analysis
 
 | Metric | Value |
 |--------|-------|
-| Zipf Coefficient | 1.0380 |
-| R² (Goodness of Fit) | 0.999162 |
+| Zipf Coefficient | 1.0352 |
+| R² (Goodness of Fit) | 0.998696 |
 | Adherence Quality | **excellent** |
 
 ### Coverage Analysis
 
 | Top N Words | Coverage |
 |-------------|----------|
-| Top 100 | 39.3% |
-| Top 1,000 | 63.8% |
-| Top 5,000 | 78.6% |
-| Top 10,000 | 84.8% |
+| Top 100 | 40.4% |
+| Top 1,000 | 64.9% |
+| Top 5,000 | 79.3% |
+| Top 10,000 | 85.4% |
 
 ### Key Findings
 
-- **Zipf Compliance:** R²=0.9992 indicates excellent adherence to Zipf's law
-- **High Frequency Dominance:** Top 100 words cover 39.3% of corpus
-- **Long Tail:** 71,712 words needed for remaining 15.2% coverage
+- **Zipf Compliance:** R²=0.9987 indicates excellent adherence to Zipf's law
+- **High Frequency Dominance:** Top 100 words cover 40.4% of corpus
+- **Long Tail:** 60,940 words needed for remaining 14.6% coverage
 
 ---
 ## 5. Word Embeddings Evaluation
@@ -318,24 +384,122 @@ Below are text samples generated from each Markov chain model:
 
 ![t-SNE Sentences](visualizations/tsne_sentences.png)
 
-### Model Comparison
 
-| Model | Vocab Size | Dimension | Avg Norm | Std Norm | Isotropy |
-|-------|------------|-----------|----------|----------|----------|
-| **mono_32d** | 37,528 | 32 | 4.010 | 1.183 | 0.8264 🏆 |
-| **mono_64d** | 37,528 | 64 | 4.579 | 1.040 | 0.8183 |
-| **mono_128d** | 37,528 | 128 | 5.112 | 0.875 | 0.7212 |
-| **embeddings_enhanced** | 0 | 0 | 0.000 | 0.000 | 0.0000 |
+### 5.1 Cross-Lingual Alignment
+
+> *Note: Multilingual alignment visualization not available for this language.*
+
+
+### 5.2 Model Comparison
+
+| Model | Dimension | Isotropy | Semantic Density | Alignment R@1 | Alignment R@10 |
+|-------|-----------|----------|------------------|---------------|----------------|
+| **mono_32d** | 32 | 0.8384 🏆 | 0.3320 | N/A | N/A |
+| **mono_64d** | 64 | 0.8149 | 0.2519 | N/A | N/A |
+| **mono_128d** | 128 | 0.6695 | 0.2114 | N/A | N/A |
 
 ### Key Findings
 
-- **Best Isotropy:** mono_32d with 0.8264 (more uniform distribution)
-- **Dimension Trade-off:** Higher dimensions capture more semantics but reduce isotropy
-- **Vocabulary Coverage:** All models cover 37,528 words
-- **Recommendation:** 100d for balanced semantic capture and efficiency
+- **Best Isotropy:** mono_32d with 0.8384 (more uniform distribution)
+- **Semantic Density:** Average pairwise similarity of 0.2651. Lower values indicate better semantic separation.
+- **Alignment Quality:** No aligned models evaluated in this run.
+- **Recommendation:** 128d aligned for best cross-lingual performance
 
 ---
-## 6. Summary & Recommendations
+## 6.  Morphological Analysis (Experimental)
+
+> ⚠️ **Warning:** This language shows low morphological productivity. The statistical signals used for this analysis may be noisy or less reliable than for morphologically rich languages.
+
+This section presents an automated morphological analysis derived from the statistical divergence between word-level and subword-level models. By analyzing where subword predictability spikes and where word-level coverage fails, we can infer linguistic structures without supervised data.
+
+### 6.1 Productivity & Complexity
+
+| Metric | Value | Interpretation | Recommendation |
+|--------|-------|----------------|----------------|
+| Productivity Index | **0.000** | Low morphological productivity | ⚠️ Likely unreliable |
+| Idiomaticity Gap | **-1.000** | Low formulaic content | - |
+
+### 6.2 Affix Inventory (Productive Units)
+
+These are the most productive prefixes and suffixes identified by sampling the vocabulary for global substitutability patterns. A unit is considered an affix if stripping it leaves a valid stem that appears in other contexts.
+
+#### Productive Prefixes
+| Prefix | Examples |
+|--------|----------|
+| `-ال` | التار, العادات, الواري |
+| `-لم` | لموتقافين, لمحمية, لموتيفات |
+| `-كا` | كايعطيهوم, كايتبناو, كايلمح |
+
+#### Productive Suffixes
+| Suffix | Examples |
+|--------|----------|
+| `-ات` | العادات, باللوغات, وزّعات |
+| `-ية` | حيمائية, لافريقية, ليدارية |
+| `-ين` | نّازيين, فالميادين, لموتقافين |
+
+### 6.3 Bound Stems (Lexical Roots)
+
+Bound stems are high-frequency subword units that are semantically cohesive but rarely appear as standalone words. These often correspond to the 'core' of a word that requires inflection or derivation to be valid.
+
+| Stem | Cohesion | Substitutability | Examples |
+|------|----------|------------------|----------|
+| `انية` | 1.82x | 63 contexts | تانية, كانية, دانية |
+| `الات` | 1.79x | 57 contexts | تالات, صالات, سالات |
+| `جماع` | 1.93x | 37 contexts | تجماع, إجماع, جماعة |
+| `لمغر` | 2.01x | 28 contexts | لمغرب, لمغربي, دلمغرب |
+| `اللو` | 1.65x | 57 contexts | اللوت, اللوز, اللوح |
+| `النا` | 1.64x | 55 contexts | النار, الناس, الناتو |
+| `دهوم` | 2.21x | 16 contexts | ضدهوم, جهدهوم, بعدهوم |
+| `مغري` | 2.02x | 18 contexts | مغرية, مغريب, مغريبي |
+| `قليم` | 2.06x | 15 contexts | اقليم, فقليم, إقليم |
+| `لجوا` | 1.76x | 24 contexts | لجواب, الجوا, لجوائر |
+| `اميل` | 1.78x | 23 contexts | كاميل, عاميل, ݣاميلة |
+| `إحصا` | 2.08x | 14 contexts | لإحصا, إحصاء, إحصائي |
+
+### 6.4 Affix Compatibility (Co-occurrence)
+
+This table shows which prefixes and suffixes most frequently co-occur on the same stems, revealing the 'stacking' rules of the language's morphology.
+
+| Prefix | Suffix | Frequency | Examples |
+|--------|--------|-----------|----------|
+| `-ال` | `-ية` | 126 words | الكوانتية, الشهية |
+| `-ال` | `-ات` | 123 words | العقوبات, الدبانيات |
+| `-ال` | `-ين` | 70 words | الرينين, الثلاثين |
+| `-لم` | `-ات` | 41 words | لمسراحيات, لمانيفولضات |
+| `-لم` | `-ين` | 37 words | لمعروفين, لموليكيين |
+| `-لم` | `-ية` | 18 words | لماركسية, لمرساوية |
+| `-كا` | `-ين` | 2 words | كاتبيين, كالكيريين |
+| `-كا` | `-ات` | 2 words | كارنيڤورات, كاريكاتورات |
+
+### 6.5 Recursive Morpheme Segmentation
+
+Using **Recursive Hierarchical Substitutability**, we decompose complex words into their constituent morphemes. This approach handles nested affixes (e.g., `prefix-prefix-root-suffix`).
+
+| Word | Suggested Split | Confidence | Stem |
+|------|-----------------|------------|------|
+| لمعلوماتية | **`لم-علوم-ات-ية`** | 7.5 | `علوم` |
+| الثلاثينات | **`ال-ثلاث-ين-ات`** | 7.5 | `ثلاث` |
+| التأريخية | **`ال-تأريخ-ية`** | 6.0 | `تأريخ` |
+| المهندسين | **`ال-مهندس-ين`** | 6.0 | `مهندس` |
+| التيليفونات | **`ال-تيليفون-ات`** | 6.0 | `تيليفون` |
+| السيشيلية | **`ال-سيشيل-ية`** | 6.0 | `سيشيل` |
+| المجتمعين | **`ال-مجتمع-ين`** | 6.0 | `مجتمع` |
+| التجهيزات | **`ال-تجهيز-ات`** | 6.0 | `تجهيز` |
+| العثمانية | **`ال-عثمان-ية`** | 6.0 | `عثمان` |
+| المعتقدات | **`ال-معتقد-ات`** | 6.0 | `معتقد` |
+| البوليسية | **`ال-بوليس-ية`** | 6.0 | `بوليس` |
+| التشكالات | **`ال-تشكال-ات`** | 6.0 | `تشكال` |
+| المستشارين | **`ال-مستشار-ين`** | 6.0 | `مستشار` |
+| السيركويات | **`ال-سيركوي-ات`** | 6.0 | `سيركوي` |
+| التحضيرية | **`ال-تحضير-ية`** | 6.0 | `تحضير` |
+
+### 6.6 Linguistic Interpretation
+
+> **Automated Insight:**
+The language Moroccan Arabic appears to be more isolating or has a highly fixed vocabulary. Word-level models perform nearly as well as subword models, indicating fewer productive morphological processes.
+
+---
+## 7. Summary & Recommendations
 
 ![Performance Dashboard](visualizations/performance_dashboard.png)
 
@@ -343,11 +507,12 @@ Below are text samples generated from each Markov chain model:
 
 | Component | Recommended | Rationale |
 |-----------|-------------|-----------|
-| Tokenizer | **32k BPE** | Best compression (3.68x) with low UNK rate |
-| N-gram | **5-gram** | Lowest perplexity (486) |
-| Markov | **Context-4** | Highest predictability (96.3%) |
+| Tokenizer | **64k BPE** | Best compression (4.18x) |
+| N-gram | **2-gram** | Lowest perplexity (415) |
+| Markov | **Context-4** | Highest predictability (97.9%) |
 | Embeddings | **100d** | Balanced semantic capture and isotropy |
 
+
 ---
 ## Appendix: Metrics Glossary & Interpretation Guide
 
@@ -537,7 +702,8 @@ If you use these models in your research, please cite:
   author = {Kamali, Omar},
   title = {Wikilangs: Open NLP Models for Wikipedia Languages},
   year = {2025},
-  publisher = {HuggingFace},
+  doi = {10.5281/zenodo.18073153},
+  publisher = {Zenodo},
   url = {https://huggingface.co/wikilangs}
   institution = {Omneity Labs}
 }
@@ -553,7 +719,8 @@ MIT License - Free for academic and commercial use.
 - 🤗 Models: [huggingface.co/wikilangs](https://huggingface.co/wikilangs)
 - 📊 Data: [wikipedia-monthly](https://huggingface.co/datasets/omarkamali/wikipedia-monthly)
 - 👤 Author: [Omar Kamali](https://huggingface.co/omarkamali)
+- 🤝 Sponsor: [Featherless AI](https://featherless.ai)
 ---
 *Generated by Wikilangs Models Pipeline*
 
-*Report Date: 2025-12-27 04:26:59*
+*Report Date: 2026-01-03 05:20:40*

models/embeddings/monolingual/ary_128d.bin

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:d5cc5293cf8429fb5399c588bd22cb8909420d94a23901f2c928f46ae56e690f
-size 1063209927
+oid sha256:ec0c8ea941d4e589712d1341927459bcf79927b09c35a78a960c9f6d7e10e2d9
+size 1056923528

models/embeddings/monolingual/ary_128d_metadata.json

@@ -3,11 +3,13 @@
   "dimension": 128,
   "version": "monolingual",
   "training_params": {
-    "dim": 128,
+    "algorithm": "skipgram",
     "min_count": 5,
     "window": 5,
     "negative": 5,
-    "epochs": 5
+    "epochs": 5,
+    "encoding_method": "rope",
+    "dim": 128
   },
-  "vocab_size": 37528
+  "vocab_size": 31513
 }

models/embeddings/monolingual/ary_32d.bin

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:b2f8b934f3ef0b52a7ad968cdbdcf1f979c0b7a075cbb32fa213a893a5c78d2f
-size 266388423
+oid sha256:eeac1e5f452245ffe93038f0b7258b2f1f16a3bbf65b19fe05b1a6db4fae8474
+size 264721544

models/embeddings/monolingual/ary_32d_metadata.json

@@ -3,11 +3,13 @@
   "dimension": 32,
   "version": "monolingual",
   "training_params": {
-    "dim": 32,
+    "algorithm": "skipgram",
     "min_count": 5,
     "window": 5,
     "negative": 5,
-    "epochs": 5
+    "epochs": 5,
+    "encoding_method": "rope",
+    "dim": 32
   },
-  "vocab_size": 37528
+  "vocab_size": 31513
 }

models/embeddings/monolingual/ary_64d.bin

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:83735f6b6acbb5e848400813f89e7a33d7fc8d847ad66d17693f0e0573ec6fd0
-size 531995591
+oid sha256:b01a57a7d1b52d182e7b0bb4f504588432f74b447abf3627c5c7314bbffab5f2
+size 528788872

models/embeddings/monolingual/ary_64d_metadata.json

@@ -3,11 +3,13 @@
   "dimension": 64,
   "version": "monolingual",
   "training_params": {
-    "dim": 64,
+    "algorithm": "skipgram",
     "min_count": 5,
     "window": 5,
     "negative": 5,
-    "epochs": 5
+    "epochs": 5,
+    "encoding_method": "rope",
+    "dim": 64
   },
-  "vocab_size": 37528
+  "vocab_size": 31513
 }

models/subword_markov/ary_markov_ctx1_subword.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:02d6d2bdc8d7dbce6c10868f4220e2d2d66cf1a06f3491e669371f1b65129d05
-size 127609
+oid sha256:459fa6b743dbcf395519af9bf18ba67b777ddd0e0cc864ac3bb6a7bf3189d793
+size 133878

models/subword_markov/ary_markov_ctx1_subword_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 1,
   "variant": "subword",
   "language": "ary",
-  "unique_contexts": 1931,
-  "total_transitions": 13216554
+  "unique_contexts": 2149,
+  "total_transitions": 10496838
 }

models/subword_markov/ary_markov_ctx2_subword.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:322a9496ec76e3be61fdafb53d8b77843c56708cd0dbe0e62dcd5edd91548627
-size 835900
+oid sha256:552c831bedb22d7f7b1c00d88c34681f2f3325dd23a3f89d85c02eb0c4ac3281
+size 749221

models/subword_markov/ary_markov_ctx2_subword_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 2,
   "variant": "subword",
   "language": "ary",
-  "unique_contexts": 16826,
-  "total_transitions": 13205631
+  "unique_contexts": 17291,
+  "total_transitions": 10486078
 }

models/subword_markov/ary_markov_ctx3_subword.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:0d5187cefb9bc3bda8ef32e536676e0c3b42f01c2c61bed6abaeb131d627b820
-size 3229260
+oid sha256:2a0e7a2836b00fdfdf3ecab6fd3ff4f39a94e43eeb24ea7dfa6bbdea5ac77430
+size 2667571

models/subword_markov/ary_markov_ctx3_subword_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 3,
   "variant": "subword",
   "language": "ary",
-  "unique_contexts": 104928,
-  "total_transitions": 13194708
+  "unique_contexts": 86361,
+  "total_transitions": 10475318
 }

models/subword_markov/ary_markov_ctx4_subword.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:dd8baa92bb2fa6351748ab87b35f8ba19922364e0eae3c6cbd772e527604f163
-size 10673093
+oid sha256:85296dab212dcfcc7a9ab757176cd9fbd76a93f9401830d56004280e4a7377f8
+size 8465099

models/subword_markov/ary_markov_ctx4_subword_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 4,
   "variant": "subword",
   "language": "ary",
-  "unique_contexts": 454694,
-  "total_transitions": 13183785
+  "unique_contexts": 352807,
+  "total_transitions": 10464558
 }

models/subword_ngram/ary_2gram_subword.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:62a74b4e9a08aa132c61be02cbdead1b65df56d23212d4d13b44eee1de72ca5c
-size 85260
+oid sha256:78ea13aba22c9b182dee2ab8bd64573851cedf52939c98249335191a3f23f274
+size 80021

models/subword_ngram/ary_2gram_subword_metadata.json

@@ -2,6 +2,6 @@
   "n": 2,
   "variant": "subword",
   "language": "ary",
-  "unique_ngrams": 6227,
-  "total_ngrams": 13216554
+  "unique_ngrams": 5585,
+  "total_ngrams": 10496838
 }

models/subword_ngram/ary_3gram_subword.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:33a4ba5238a6f6fb79055b4420c426248fbd61bc3060e6af9de75c84a51cb747
-size 664928
+oid sha256:24b08ece7a38c3125e70f5a75f6ead1fd500f694cb05ad5c6248ba7b85fd5634
+size 573468

models/subword_ngram/ary_3gram_subword_metadata.json

@@ -2,6 +2,6 @@
   "n": 3,
   "variant": "subword",
   "language": "ary",
-  "unique_ngrams": 51256,
-  "total_ngrams": 13205631
+  "unique_ngrams": 41944,
+  "total_ngrams": 10486078
 }

models/subword_ngram/ary_4gram_subword.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:2a9c53578c3475bc96d000d9db9a4d19e545b73cbbe4948d2149968e06900585
-size 3262126
+oid sha256:c1dd4f7cdfe642d380522ea08b1e34ceadbe57558bcccafcd2c10d5783f15f75
+size 2617929

models/subword_ngram/ary_4gram_subword_metadata.json

@@ -2,6 +2,6 @@
   "n": 4,
   "variant": "subword",
   "language": "ary",
-  "unique_ngrams": 260844,
-  "total_ngrams": 13194708
+  "unique_ngrams": 204568,
+  "total_ngrams": 10475318
 }

models/tokenizer/ary_tokenizer_16k.model

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:66f08427ec3757387ee07eb1bbb3518ed56da42a7b4a144381b3c9d0e2a75fd2
-size 550569
+oid sha256:2b2380e695c2c3ff7f9eec16ecc69d1a82452d80f0c0884635d764801141b6e5
+size 559353

models/tokenizer/ary_tokenizer_32k.model

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:dfbe42ab44ef4ba9c324b96993e42805c7a7def9a21e8af3f8467142eef0b615
-size 880065
+oid sha256:334ec9fb02ebfd6451b7961710b7f94c763275ce5022015434501d439ac06ad4
+size 894340

models/tokenizer/ary_tokenizer_64k.model

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:46f721a26f1f518a4334f4a8844591eb94957318f9a1d14d80668720663635cc
-size 1546284
+oid sha256:228ac76778adf794a1d8de7ed6648a2bbfd80b7498be5530f090627f915c0436
+size 1593462

models/tokenizer/ary_tokenizer_8k.model

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:21bb3111788de7f71f160230b53c90faec9e158982f1fc3936144c7bb95bc0a1
-size 391386
+oid sha256:fa0d6cbad79ebc5208a11f4bc61982c6584a2f87a08a41d8c2c90d8c0941ea81
+size 396437

models/vocabulary/ary_vocabulary.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:0e9e3400acc6760b029fbf22dea48ff18cbf62eda489e8d001ff473945dde76d
-size 1446167
+oid sha256:e6a100896fb6a926f24685f0b974ea8144580d8025c46f0451fa0eb2a1cccb88
+size 1278866

models/vocabulary/ary_vocabulary_metadata.json

@@ -1,16 +1,17 @@
 {
   "language": "ary",
-  "vocabulary_size": 81712,
+  "vocabulary_size": 70940,
+  "variant": "full",
   "statistics": {
-    "type_token_ratio": 0.07826179445772023,
+    "type_token_ratio": 0.08383333066622203,
     "coverage": {
-      "top_100": 0.3755263295122797,
-      "top_1000": 0.6095531030989189,
-      "top_5000": 0.7510592808230233,
-      "top_10000": 0.8101195151850255
+      "top_100": 0.38467935557772986,
+      "top_1000": 0.6186641695622032,
+      "top_5000": 0.7558627838344147,
+      "top_10000": 0.8141512107566836
     },
-    "hapax_count": 107389,
-    "hapax_ratio": 0.5678922903633508,
-    "total_documents": 10923
+    "hapax_count": 91460,
+    "hapax_ratio": 0.5631773399014778,
+    "total_documents": 10760
   }
 }

models/word_markov/ary_markov_ctx1_word.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:cf369ad231704eef182a92e5d64241ae5294d89bedc2393e46ffa50e68be61c3
-size 10974758
+oid sha256:7c9d4b1eb5fe667ef9075fa89ad5a4ea4ea33df8dba16dd4243bd25ca92d4926
+size 9279588

models/word_markov/ary_markov_ctx1_word_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 1,
   "variant": "word",
   "language": "ary",
-  "unique_contexts": 189320,
-  "total_transitions": 3013648
+  "unique_contexts": 162378,
+  "total_transitions": 1926417
 }

models/word_markov/ary_markov_ctx2_word.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:6feb87132c6a3a8881dab7c3af6268a3da4e594d21311b665e71b2e95a0af000
-size 28263486
+oid sha256:29a939f97ef93392311582b9ad3f3b729f547581513acb58fd36113bf5b295e2
+size 23360695

models/word_markov/ary_markov_ctx2_word_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 2,
   "variant": "word",
   "language": "ary",
-  "unique_contexts": 1014676,
-  "total_transitions": 3002725
+  "unique_contexts": 849251,
+  "total_transitions": 1915657
 }

models/word_markov/ary_markov_ctx3_word.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:354a3b1b04e0bdb94e0c7a15c339df347f9c313c580fe88c039f721a8a1e4237
-size 41576319
+oid sha256:4fc3870d90e96a6d0f094fa6751c6f78ed9b0e520e72f7882513945cab8f1373
+size 32010448

models/word_markov/ary_markov_ctx3_word_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 3,
   "variant": "word",
   "language": "ary",
-  "unique_contexts": 1701309,
-  "total_transitions": 2991803
+  "unique_contexts": 1262316,
+  "total_transitions": 1904897
 }

models/word_markov/ary_markov_ctx4_word.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:5cc0395cfc1cc580368483ee202676a9d7b57cdbdf737c5c7422dfd39ecdf963
-size 50573861
+oid sha256:526783a2fed42680ed61c32c03a44df01d06d2396568770540907bffacc2d4b5
+size 38343134

models/word_markov/ary_markov_ctx4_word_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 4,
   "variant": "word",
   "language": "ary",
-  "unique_contexts": 2000181,
-  "total_transitions": 2980882
+  "unique_contexts": 1391141,
+  "total_transitions": 1894137
 }

models/word_ngram/ary_2gram_word.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:60dc5550877fc074d5df5a925b63f1f3975f796566e9a5a5de18357cd8485faa
-size 1017637
+oid sha256:bfeda04510e2c553b8ed89b81167eb362bcaad06b1cd9106f259c8829124e7bd
+size 673580

models/word_ngram/ary_2gram_word_metadata.json

@@ -2,6 +2,6 @@
   "n": 2,
   "variant": "word",
   "language": "ary",
-  "unique_ngrams": 56749,
-  "total_ngrams": 3013648
+  "unique_ngrams": 35218,
+  "total_ngrams": 1926417
 }

models/word_ngram/ary_3gram_word.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:450d7e949b8c457d9c72e4207cc5a90c1e77b46a5e5091df8c971c29082d1978
-size 1493910
+oid sha256:42e065ff96cac0f99796887363b07f7ed4c89751e6ffab760b5684e38bd7c11c
+size 851553

models/word_ngram/ary_3gram_word_metadata.json

@@ -2,6 +2,6 @@
   "n": 3,
   "variant": "word",
   "language": "ary",
-  "unique_ngrams": 76888,
-  "total_ngrams": 3002725
+  "unique_ngrams": 39702,
+  "total_ngrams": 1915657
 }

models/word_ngram/ary_4gram_word.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:8ee2009d481c48c5635cbb99107a721e89fb3733f2698b8960ac7a70030bbabc
-size 2616301
+oid sha256:4bad83de9507de5b6f2183bc341880b4b18a95728eb2e74422e18e4dc7410f5f
+size 1506246

models/word_ngram/ary_4gram_word_metadata.json

@@ -2,6 +2,6 @@
   "n": 4,
   "variant": "word",
   "language": "ary",
-  "unique_ngrams": 124859,
-  "total_ngrams": 2991803
+  "unique_ngrams": 63706,
+  "total_ngrams": 1904897
 }