Upload all models and assets for az (20251001)

README.md

@@ -23,14 +23,14 @@ dataset_info:
 metrics:
   - name: best_compression_ratio
     type: compression
-    value: 4.560
+    value: 5.127
   - name: best_isotropy
     type: isotropy
-    value: 0.8153
+    value: 0.8147
   - name: vocabulary_size
     type: vocab
-    value: 807823
-generated: 2025-12-27
+    value: 0
+generated: 2026-01-03
 ---
 
 # AZ - 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)
 
@@ -68,64 +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** | 3.637x | 3.59 | 0.0980% | 1,442,215 |
-| **16k** | 4.016x | 3.97 | 0.1082% | 1,305,814 |
-| **32k** | 4.326x | 4.27 | 0.1165% | 1,212,431 |
-| **64k** | 4.560x 🏆 | 4.50 | 0.1229% | 1,150,092 |
+| **8k** | 3.940x | 3.94 | 0.0953% | 1,262,968 |
+| **16k** | 4.420x | 4.42 | 0.1069% | 1,125,834 |
+| **32k** | 4.818x | 4.82 | 0.1165% | 1,032,837 |
+| **64k** | 5.127x 🏆 | 5.13 | 0.1239% | 970,666 |
 
 ### Tokenization Examples
 
 Below are sample sentences tokenized with each vocabulary size:
 
-**Sample 1:** `Hadisələr 
-
- Doğumlar 
-
- Vəfatlar 
- Soqdian — e.ə. 424–423-cü illərdə hakimiyyət...`
+**Sample 1:** `Bitlis vilayəti — Osmanlı İmperiyası tərkibində, illərdə mövcud olmuş I dərəcəli...`
 
 | Vocab | Tokens | Count |
 |-------|--------|-------|
-| 8k | `▁hadisələr ▁doğumlar ▁vəfatlar ▁s oq di an ▁— ▁e . ... (+21 more)` | 31 |
-| 16k | `▁hadisələr ▁doğumlar ▁vəfatlar ▁s oq dian ▁— ▁e . ə ... (+19 more)` | 29 |
-| 32k | `▁hadisələr ▁doğumlar ▁vəfatlar ▁s oq dian ▁— ▁e . ə ... (+18 more)` | 28 |
-| 64k | `▁hadisələr ▁doğumlar ▁vəfatlar ▁soq dian ▁— ▁e . ə . ... (+17 more)` | 27 |
-
-**Sample 2:** `() —  aləminin  dəstəsinin  fəsiləsinin  cinsinə aid bitki növü.
+| 8k | `▁bit lis ▁vilayəti ▁— ▁osmanlı ▁İmper iyası ▁tərkibində , ▁illərdə ... (+17 more)` | 27 |
+| 16k | `▁bit lis ▁vilayəti ▁— ▁osmanlı ▁İmperiyası ▁tərkibində , ▁illərdə ▁mövcud ... (+16 more)` | 26 |
+| 32k | `▁bit lis ▁vilayəti ▁— ▁osmanlı ▁İmperiyası ▁tərkibində , ▁illərdə ▁mövcud ... (+16 more)` | 26 |
+| 64k | `▁bitlis ▁vilayəti ▁— ▁osmanlı ▁İmperiyası ▁tərkibində , ▁illərdə ▁mövcud ▁olmuş ... (+14 more)` | 24 |
 
- İstinadlar 
-
-...`
+**Sample 2:** `() — aləminin dəstəsinin fəsiləsinə aid bitki cinsi. Sinonimləri Heterotipik sin...`
 
 | Vocab | Tokens | Count |
 |-------|--------|-------|
-| 8k | `▁() ▁— ▁aləminin ▁dəstəsinin ▁fəsiləsinin ▁cinsinə ▁aid ▁bitki ▁növü . ... (+3 more)` | 13 |
-| 16k | `▁() ▁— ▁aləminin ▁dəstəsinin ▁fəsiləsinin ▁cinsinə ▁aid ▁bitki ▁növü . ... (+3 more)` | 13 |
-| 32k | `▁() ▁— ▁aləminin ▁dəstəsinin ▁fəsiləsinin ▁cinsinə ▁aid ▁bitki ▁növü . ... (+3 more)` | 13 |
-| 64k | `▁() ▁— ▁aləminin ▁dəstəsinin ▁fəsiləsinin ▁cinsinə ▁aid ▁bitki ▁növü . ... (+3 more)` | 13 |
-
-**Sample 3:** `() —  aləminin  dəstəsinin  fəsiləsinin  cinsinə aid bitki növü.
+| 8k | `▁() ▁— ▁aləminin ▁dəstəsinin ▁fəsiləsinə ▁aid ▁bitki ▁cinsi . ▁sinonimləri ... (+6 more)` | 16 |
+| 16k | `▁() ▁— ▁aləminin ▁dəstəsinin ▁fəsiləsinə ▁aid ▁bitki ▁cinsi . ▁sinonimləri ... (+6 more)` | 16 |
+| 32k | `▁() ▁— ▁aləminin ▁dəstəsinin ▁fəsiləsinə ▁aid ▁bitki ▁cinsi . ��sinonimləri ... (+6 more)` | 16 |
+| 64k | `▁() ▁— ▁aləminin ▁dəstəsinin ▁fəsiləsinə ▁aid ▁bitki ▁cinsi . ▁sinonimləri ... (+6 more)` | 16 |
 
- İstinadlar 
-
-...`
+**Sample 3:** `Üçüncü simfoniya (film, Üçüncü simfoniya (Motsart) Üçüncü simfoniya (Çaykovski) ...`
 
 | Vocab | Tokens | Count |
 |-------|--------|-------|
-| 8k | `▁() ▁— ▁aləminin ▁dəstəsinin ▁fəsiləsinin ▁cinsinə ▁aid ▁bitki ▁növü . ... (+3 more)` | 13 |
-| 16k | `▁() ▁— ▁aləminin ▁dəstəsinin ▁fəsiləsinin ▁cinsinə ▁aid ▁bitki ▁növü . ... (+3 more)` | 13 |
-| 32k | `▁() ▁— ▁aləminin ▁dəstəsinin ▁fəsiləsinin ▁cinsinə ▁aid ▁bitki ▁növü . ... (+3 more)` | 13 |
-| 64k | `▁() ▁— ▁aləminin ▁dəstəsinin ▁fəsiləsinin ▁cinsinə ▁aid ▁bitki ▁növü . ... (+3 more)` | 13 |
+| 8k | `▁üçüncü ▁simf oniya ▁( film , ▁üçüncü ▁simf oniya ▁( ... (+21 more)` | 31 |
+| 16k | `▁üçüncü ▁simf oniya ▁( film , ▁üçüncü ▁simf oniya ▁( ... (+17 more)` | 27 |
+| 32k | `▁üçüncü ▁simfoniya ▁( film , ▁üçüncü ▁simfoniya ▁( mot sart ... (+13 more)` | 23 |
+| 64k | `▁üçüncü ▁simfoniya ▁( film , ▁üçüncü ▁simfoniya ▁( mot sart ... (+13 more)` | 23 |
 
 
 ### Key Findings
 
-- **Best Compression:** 64k achieves 4.560x compression
-- **Lowest UNK Rate:** 8k with 0.0980% unknown tokens
+- **Best Compression:** 64k achieves 5.127x compression
+- **Lowest UNK Rate:** 8k with 0.0953% unknown tokens
 - **Trade-off:** Larger vocabularies improve compression but increase model size
 - **Recommendation:** 32k vocabulary provides optimal balance for production use
 
@@ -134,57 +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** | 116,331 🏆 | 16.83 | 1,418,191 | 12.2% | 25.0% |
-| **2-gram** | 463 🏆 | 8.85 | 22,197 | 55.1% | 96.6% |
-| **3-gram** | 409,514 | 18.64 | 2,779,660 | 7.3% | 16.3% |
-| **3-gram** | 4,354 | 12.09 | 215,243 | 19.6% | 58.8% |
-| **4-gram** | 1,285,123 | 20.29 | 5,336,948 | 4.2% | 9.8% |
-| **4-gram** | 24,655 | 14.59 | 1,308,669 | 10.0% | 31.8% |
+| N-gram | Variant | Perplexity | Entropy | Unique N-grams | Top-100 Coverage | Top-1000 Coverage |
+|--------|---------|------------|---------|----------------|------------------|-------------------|
+| **2-gram** | Word | 266,647 | 18.02 | 1,217,523 | 4.8% | 13.7% |
+| **2-gram** | Subword | 405 🏆 | 8.66 | 18,177 | 58.1% | 97.7% |
+| **3-gram** | Word | 580,086 | 19.15 | 1,735,864 | 4.1% | 9.8% |
+| **3-gram** | Subword | 3,752 | 11.87 | 159,097 | 20.7% | 61.1% |
+| **4-gram** | Word | 1,224,902 | 20.22 | 3,019,123 | 3.9% | 8.4% |
+| **4-gram** | Subword | 21,204 | 14.37 | 964,243 | 10.3% | 32.7% |
 
 ### Top 5 N-grams by Size
 
-**2-grams:**
+**2-grams (Word):**
+
+| Rank | N-gram | Count |
+|------|--------|-------|
+| 1 | `və ya` | 82,539 |
+| 2 | `xarici keçidlər` | 64,635 |
+| 3 | `həmçinin bax` | 61,223 |
+| 4 | `i̇stinadlar xarici` | 45,022 |
+| 5 | `i̇stinadlar həmçinin` | 30,535 |
+
+**3-grams (Word):**
 
 | Rank | N-gram | Count |
 |------|--------|-------|
-| 1 | `i ̇` | 824,078 |
-| 2 | `- ci` | 452,530 |
-| 3 | `kateqoriya :` | 365,784 |
-| 4 | `. i` | 236,809 |
-| 5 | `ci ildə` | 221,298 |
+| 1 | `i̇stinadlar xarici keçidlər` | 44,533 |
+| 2 | `i̇stinadlar həmçinin bax` | 30,508 |
+| 3 | `fəsiləsinin cinsinə aid` | 20,829 |
+| 4 | `dəstəsinin fəsiləsinin cinsinə` | 18,108 |
+| 5 | `aid bitki növü` | 17,478 |
 
-**3-grams:**
+**4-grams (Word):**
 
 | Rank | N-gram | Count |
 |------|--------|-------|
-| 1 | `. i ̇` | 227,697 |
-| 2 | `- ci ildə` | 220,310 |
-| 3 | `i ̇ stinadlar` | 171,011 |
-| 4 | `- cü ildə` | 76,499 |
-| 5 | `( ) —` | 70,885 |
+| 1 | `dəstəsinin fəsiləsinin cinsinə aid` | 18,108 |
+| 2 | `cinsinə aid bitki növü` | 17,459 |
+| 3 | `fəsiləsinin cinsinə aid bitki` | 17,424 |
+| 4 | `aləminin dəstəsinin fəsiləsinin cinsinə` | 14,444 |
+| 5 | `növü i̇stinadlar həmçinin bax` | 10,412 |
 
-**4-grams:**
+**2-grams (Subword):**
 
 | Rank | N-gram | Count |
 |------|--------|-------|
-| 1 | `. i ̇ stinadlar` | 103,078 |
-| 2 | `i ̇ stinadlar kateqoriya` | 65,368 |
-| 3 | `̇ stinadlar kateqoriya :` | 65,368 |
-| 4 | `i ̇ stinadlar xarici` | 45,918 |
-| 5 | `̇ stinadlar xarici keçidlər` | 45,490 |
+| 1 | `n _` | 7,988,809 |
+| 2 | `ə _` | 6,442,941 |
+| 3 | `i n` | 6,166,226 |
+| 4 | `a r` | 5,329,650 |
+| 5 | `ə r` | 5,265,570 |
+
+**3-grams (Subword):**
+
+| Rank | N-gram | Count |
+|------|--------|-------|
+| 1 | `l ə r` | 2,404,591 |
+| 2 | `l a r` | 2,255,189 |
+| 3 | `d ə _` | 2,141,762 |
+| 4 | `i n _` | 2,027,629 |
+| 5 | `a n _` | 1,821,260 |
+
+**4-grams (Subword):**
+
+| Rank | N-gram | Count |
+|------|--------|-------|
+| 1 | `_ v ə _` | 1,462,860 |
+| 2 | `l ə r i` | 1,237,145 |
+| 3 | `l a r ı` | 1,052,371 |
+| 4 | `i n d ə` | 1,049,474 |
+| 5 | `n i n _` | 951,332 |
 
 
 ### Key Findings
 
-- **Best Perplexity:** 2-gram with 463
+- **Best Perplexity:** 2-gram (subword) with 405
 - **Entropy Trend:** Decreases with larger n-grams (more predictable)
-- **Coverage:** Top-1000 patterns cover ~32% of corpus
+- **Coverage:** Top-1000 patterns cover ~33% of corpus
 - **Recommendation:** 4-gram or 5-gram for best predictive performance
 
 ---
@@ -192,55 +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** | 0.7520 | 1.684 | 8.95 | 1,994,233 | 24.8% |
-| **1** | 1.3997 | 2.638 | 10.24 | 7,113 | 0.0% |
-| **2** | 0.3489 | 1.274 | 2.24 | 17,848,485 | 65.1% |
-| **2** | 0.8515 | 1.804 | 6.20 | 72,786 | 14.8% |
-| **3** | 0.1419 | 1.103 | 1.34 | 39,971,548 | 85.8% |
-| **3** | 0.8951 | 1.860 | 5.05 | 451,475 | 10.5% |
-| **4** | 0.0656 🏆 | 1.046 | 1.14 | 53,703,949 | 93.4% |
-| **4** | 0.7324 🏆 | 1.661 | 3.53 | 2,281,437 | 26.8% |
+| Context | Variant | Avg Entropy | Perplexity | Branching Factor | Unique Contexts | Predictability |
+|---------|---------|-------------|------------|------------------|-----------------|----------------|
+| **1** | Word | 0.9394 | 1.918 | 11.41 | 1,714,220 | 6.1% |
+| **1** | Subword | 1.1697 | 2.250 | 8.00 | 8,084 | 0.0% |
+| **2** | Word | 0.3187 | 1.247 | 1.95 | 19,534,498 | 68.1% |
+| **2** | Subword | 0.7478 | 1.679 | 5.29 | 64,659 | 25.2% |
+| **3** | Word | 0.1043 | 1.075 | 1.20 | 37,988,863 | 89.6% |
+| **3** | Subword | 0.8132 | 1.757 | 4.77 | 341,910 | 18.7% |
+| **4** | Word | 0.0351 🏆 | 1.025 | 1.05 | 45,491,212 | 96.5% |
+| **4** | Subword | 0.7291 | 1.658 | 3.64 | 1,630,545 | 27.1% |
+
+### Generated Text Samples (Word-based)
+
+Below are text samples generated from each word-based Markov chain model:
+
+**Context Size 1:**
+
+1. `və digər qarağac küçəsində yerləşən bike travel channel saytında volodya rubinin hekayəsinin sadələş...`
+2. `ildə göyçə kanalı 2 4 kimi qəbul və ya radiodalğaların ortaya çıxmışdı fransız şərqşünas vital bakım`
+3. `ilə rəqabət üstünlükləri üçün ilham alınmışdır yava nın rəhbəri aqrar sahədə süni tıxacı qanunu pozm...`
+
+**Context Size 2:**
+
+1. `və ya onun mənzilinin nə qədər qorxunc idilər həmin gün masovkada iştirak etməyi özləri üçün nisbətə...`
+2. `xarici keçidlər hissi`
+3. `i̇stinadlar xarici keçidlər romario sambafoot com romario siyasətə qatıldı futbolçuları fk oyunçular...`
+
+**Context Size 3:**
+
+1. `i̇stinadlar xarici keçidlər середа с а перспективы охраны авторских и смежных прав в условиях распро...`
+2. `fəsiləsinin cinsinə aid heyvan növü i̇stinadlar həmçinin bax aprel işğalı əlavə ədəbiyyat sovet sosi...`
+3. `dəstəsinin fəsiləsinin cinsinə aid bitki növü i̇stinadlar həmçinin bax koreyanın xüsusi şəhərləri i̇...`
+
+**Context Size 4:**
+
+1. `dəstəsinin fəsiləsinin cinsinə aid heyvan növü i̇stinadlar həmçinin bax ildə təsvir edilən bitkilər ...`
+2. `cinsinə aid bitki növü i̇stinadlar həmçinin bax ildə təsvir edilən bitkilər linney tərəfindən adland...`
+3. `fəsiləsinin cinsinə aid bitki növü ulvanın tallomu lövhəşəkilli parlaq yaşıl rəngli olub kənarları b...`
 
-### Generated Text Samples
 
-Below are text samples generated from each Markov chain model:
+### Generated Text Samples (Subword-based)
+
+Below are text samples generated from each subword-based Markov chain model:
 
 **Context Size 1:**
 
-1. `. şerlər əsasən observantlar monastırlarının bəzilərinin əvvəllər per teodor hertslin başlatdığı işğ...`
-2. `, buenos - dən az saylı xəstəxanada həkim , 316 kvadrat metrdən çox öz qoşunu təbrizi`
-3. `- ci ildə yarananlar kateqoriya : 46 - ci ildə baş verən əsas götürərək . orta`
+1. `_dalmuny_isuməla`
+2. `allədi,_ilqəbulə`
+3. `i_1._sın_lirpriy`
 
 **Context Size 2:**
 
-1. `i ̇ stinadlar xarici keçidlər бухарский трактат о каллиграфах и художниках трактат о каллиграфах и х...`
-2. `- ci ildə i ̇ raqa , hindistana və hətta oğlundan dörd il sonra " psm3 "`
-3. `kateqoriya : şuşanın görməli yerləri kateqoriya : sionistlər kateqoriya : germi şəhristanının kəndlə...`
+1. `n_ya_tabı_vəfalar`
+2. `ə_birilarabaxi:_а`
+3. `inəşdira_meyvali_`
 
 **Context Size 3:**
 
-1. `. i ̇ ki cilddə . i cild . bakı : nafta - press , 2013 ) (`
-2. `- ci ildə yarananlar kateqoriya : 8 iyunda yarananlar kateqoriya : universitas 21 kateqoriya : azərb...`
-3. `i ̇ stinadlar xarici keçidlər həmçinin bax kateqoriya : yaponiya hüquqşünasları kateqoriya : azərbay...`
+1. `ləri_və_şimalınmas`
+2. `ları_ekspilm)_+рас`
+3. `də_onlar,_ərbi_tağ`
 
 **Context Size 4:**
 
-1. `. i ̇ stinadlar mənbə " treska " kateqoriya : avropa dağ sistemləri kateqoriya : gürcüstan relyefi k...`
-2. `̇ stinadlar kateqoriya : traktorçular kateqoriya : azərbaycan pambıqçıları kateqoriya : azərbaycan s...`
-3. `i ̇ stinadlar kateqoriya : xorvatiyanın olimpiya həndbolçuları kateqoriya : 2016 yay olimpiya oyunla...`
+1. `_və_kəndləri_kimi_f`
+2. `ləri,_ildə_etdirir.`
+3. `ində_aztv_“günorta_`
 
 
 ### Key Findings
 
-- **Best Predictability:** Context-4 with 93.4% predictability
+- **Best Predictability:** Context-4 (word) with 96.5% predictability
 - **Branching Factor:** Decreases with context size (more deterministic)
-- **Memory Trade-off:** Larger contexts require more storage (2,281,437 contexts)
+- **Memory Trade-off:** Larger contexts require more storage (1,630,545 contexts)
 - **Recommendation:** Context-3 or Context-4 for text generation
 
 ---
@@ -256,64 +314,64 @@ Below are text samples generated from each Markov chain model:
 
 | Metric | Value |
 |--------|-------|
-| Vocabulary Size | 807,823 |
-| Total Tokens | 58,755,251 |
-| Mean Frequency | 72.73 |
+| Vocabulary Size | 753,394 |
+| Total Tokens | 53,281,406 |
+| Mean Frequency | 70.72 |
 | Median Frequency | 4 |
-| Frequency Std Dev | 2550.61 |
+| Frequency Std Dev | 2273.78 |
 
 ### Most Common Words
 
 | Rank | Word | Frequency |
 |------|------|-----------|
-| 1 | və | 1,490,176 |
-| 2 | i | 892,240 |
-| 3 | ci | 455,280 |
-| 4 | ildə | 414,485 |
-| 5 | ilə | 413,230 |
-| 6 | kateqoriya | 366,496 |
-| 7 | bir | 366,287 |
-| 8 | bu | 362,130 |
-| 9 | azərbaycan | 248,838 |
-| 10 | də | 234,167 |
+| 1 | və | 1,467,833 |
+| 2 | ildə | 410,483 |
+| 3 | ilə | 408,441 |
+| 4 | bir | 361,923 |
+| 5 | bu | 355,796 |
+| 6 | də | 228,505 |
+| 7 | azərbaycan | 220,507 |
+| 8 | üçün | 219,884 |
+| 9 | olan | 219,730 |
+| 10 | sonra | 179,588 |
 
 ### Least Common Words (from vocabulary)
 
 | Rank | Word | Frequency |
 |------|------|-----------|
-| 1 | cërrik | 2 |
-| 2 | liamın | 2 |
-| 3 | liamla | 2 |
-| 4 | backstab | 2 |
-| 5 | antonioi | 2 |
-| 6 | nipissinq | 2 |
-| 7 | votivkirche | 2 |
-| 8 | pirtle | 2 |
-| 9 | takaxasinin | 2 |
-| 10 | caporael | 2 |
+| 1 | i̇netimi | 2 |
+| 2 | timayanın | 2 |
+| 3 | llnp | 2 |
+| 4 | moqrovexonun | 2 |
+| 5 | məhkəməsiazərbaycan | 2 |
+| 6 | nəbiqə | 2 |
+| 7 | zübyani | 2 |
+| 8 | əşanı | 2 |
+| 9 | tülücü | 2 |
+| 10 | yenidoğulanlar | 2 |
 
 ### Zipf's Law Analysis
 
 | Metric | Value |
 |--------|-------|
-| Zipf Coefficient | 0.9771 |
-| R² (Goodness of Fit) | 0.992093 |
+| Zipf Coefficient | 0.9645 |
+| R² (Goodness of Fit) | 0.992332 |
 | Adherence Quality | **excellent** |
 
 ### Coverage Analysis
 
 | Top N Words | Coverage |
 |-------------|----------|
-| Top 100 | 22.3% |
-| Top 1,000 | 46.6% |
-| Top 5,000 | 66.6% |
-| Top 10,000 | 74.5% |
+| Top 100 | 20.7% |
+| Top 1,000 | 45.3% |
+| Top 5,000 | 65.4% |
+| Top 10,000 | 73.7% |
 
 ### Key Findings
 
-- **Zipf Compliance:** R²=0.9921 indicates excellent adherence to Zipf's law
-- **High Frequency Dominance:** Top 100 words cover 22.3% of corpus
-- **Long Tail:** 797,823 words needed for remaining 25.5% coverage
+- **Zipf Compliance:** R²=0.9923 indicates excellent adherence to Zipf's law
+- **High Frequency Dominance:** Top 100 words cover 20.7% of corpus
+- **Long Tail:** 743,394 words needed for remaining 26.3% coverage
 
 ---
 ## 5. Word Embeddings Evaluation
@@ -326,24 +384,116 @@ 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** | 509,900 | 32 | 3.229 | 0.928 | 0.8153 🏆 |
-| **mono_64d** | 509,900 | 64 | 3.675 | 0.940 | 0.8024 |
-| **mono_128d** | 509,900 | 128 | 4.156 | 0.943 | 0.7626 |
-| **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 | 0.8147 🏆 | 0.3523 | N/A | N/A |
+| **mono_64d** | 64 | 0.8067 | 0.2814 | N/A | N/A |
+| **mono_128d** | 128 | 0.7697 | 0.2228 | N/A | N/A |
 
 ### Key Findings
 
-- **Best Isotropy:** mono_32d with 0.8153 (more uniform distribution)
-- **Dimension Trade-off:** Higher dimensions capture more semantics but reduce isotropy
-- **Vocabulary Coverage:** All models cover 509,900 words
-- **Recommendation:** 100d for balanced semantic capture and efficiency
+- **Best Isotropy:** mono_32d with 0.8147 (more uniform distribution)
+- **Semantic Density:** Average pairwise similarity of 0.2855. 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 |
+|--------|----------|
+
+#### Productive Suffixes
+| Suffix | Examples |
+|--------|----------|
+| `-n` | qanqlionlarından, kreyin, i̇radənin |
+| `-a` | aoyama, puraka, şahhüseynova |
+| `-in` | kreyin, i̇radənin, naimin |
+| `-an` | qanqlionlarından, saldıran, məmulatdan |
+| `-ın` | hanedanının, quldurlarının, çarımın |
+| `-dan` | qanqlionlarından, məmulatdan, yazıçılarından |
+| `-ən` | sevgiən, kombateldən, filmdəkindən |
+| `-nın` | hanedanının, quldurlarının, medyanın |
+
+### 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 |
+|------|----------|------------------|----------|
+| `ərba` | 2.77x | 42 contexts | ərbaş, bərba, ərbab |
+| `ayca` | 2.92x | 24 contexts | cayca, aycan, sayca |
+| `rbay` | 2.33x | 54 contexts | erbay, arbay, orbay |
+| `arix` | 2.02x | 69 contexts | tarix, farix, larix |
+| `nlar` | 1.37x | 429 contexts | anlar, onlar, nları |
+| `irlə` | 1.36x | 390 contexts | pirlə, birlə, virlə |
+| `mişd` | 1.58x | 164 contexts | mişdi, emişdi, mişdir |
+| `mışd` | 1.62x | 142 contexts | mışdı, mışdır, aşmışdı |
+| `rləş` | 1.82x | 76 contexts | yerləş, birləş, yrləşən |
+| `ycan` | 2.87x | 13 contexts | aycan, beycan, bəycan |
+| `ərəf` | 1.65x | 87 contexts | ərəfə, tərəf, şərəf |
+| `qlar` | 1.38x | 199 contexts | aqlar, qlarn, doqlar |
+
+### 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.
+
+*No significant affix co-occurrences detected.*
+
+
+### 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 |
+|------|-----------------|------------|------|
+| şəyirdlərindən | **`şəyirdlər-in-dən`** | 6.0 | `şəyirdlər` |
+| yeməklərindən | **`yeməklər-in-dən`** | 6.0 | `yeməklər` |
+| qalxandan | **`qalx-an-dan`** | 6.0 | `qalx` |
+| kitabından | **`kitab-ın-dan`** | 6.0 | `kitab` |
+| açarından | **`açar-ın-dan`** | 6.0 | `açar` |
+| patriarxından | **`patriarx-ın-dan`** | 6.0 | `patriarx` |
+| gətirəndən | **`gətir-ən-dən`** | 6.0 | `gətir` |
+| qadağadan | **`qadağa-dan`** | 4.5 | `qadağa` |
+| ştirlisin | **`ştirlis-in`** | 4.5 | `ştirlis` |
+| fikirlərinin | **`fikirləri-nin`** | 4.5 | `fikirləri` |
+| təyyarəsinin | **`təyyarəsi-nin`** | 4.5 | `təyyarəsi` |
+| frenkinin | **`frenki-nin`** | 4.5 | `frenki` |
+| məzmundan | **`məzmun-dan`** | 4.5 | `məzmun` |
+| aerodinamikanın | **`aerodinamika-nın`** | 4.5 | `aerodinamika` |
+| intonasiyalardan | **`intonasiyalar-dan`** | 4.5 | `intonasiyalar` |
+
+### 6.6 Linguistic Interpretation
+
+> **Automated Insight:**
+The language AZ 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)
 
@@ -351,11 +501,12 @@ Below are text samples generated from each Markov chain model:
 
 | Component | Recommended | Rationale |
 |-----------|-------------|-----------|
-| Tokenizer | **32k BPE** | Best compression (4.56x) with low UNK rate |
-| N-gram | **5-gram** | Lowest perplexity (463) |
-| Markov | **Context-4** | Highest predictability (93.4%) |
+| Tokenizer | **64k BPE** | Best compression (5.13x) |
+| N-gram | **2-gram** | Lowest perplexity (405) |
+| Markov | **Context-4** | Highest predictability (96.5%) |
 | Embeddings | **100d** | Balanced semantic capture and isotropy |
 
+
 ---
 ## Appendix: Metrics Glossary & Interpretation Guide
 
@@ -545,7 +696,8 @@ 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}
 }
@@ -561,7 +713,8 @@ 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 22:29:22*
+*Report Date: 2026-01-03 09:50:56*

models/embeddings/monolingual/az_128d.bin

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:ef77feb09cfca11c3c70d43e5ebfc128aa2ce50ce323c7a349cd6272dceeecaf
-size 1556313250
+oid sha256:5d1aa42ac742f348af9cadb50b55f34e366914efb75ea61aa97a9c20e03e13b6
+size 1525679150

models/embeddings/monolingual/az_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": 509900
+  "vocab_size": 480615
 }

models/embeddings/monolingual/az_32d.bin

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:213be535e52a36209d1823ea600aa5f918189933d961ffc129d4abdf1241505c
-size 396710050
+oid sha256:d370a43819df505438eb10c3e53922a704d1a21f86aab04f73bbd33be8dd0075
+size 388566830

models/embeddings/monolingual/az_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": 509900
+  "vocab_size": 480615
 }

models/embeddings/monolingual/az_64d.bin

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:84f2fe715f5b8f553b9c0597a167bd6132f61d2a82f93df713c1f6ccc727c629
-size 783244450
+oid sha256:4072e85e7840ba265c42156dd1d4f2342da7fb62cb52ac21d1b6fdbb2ecc2fba
+size 767604270

models/embeddings/monolingual/az_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": 509900
+  "vocab_size": 480615
 }

models/subword_markov/az_markov_ctx1_subword.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:e52b2d1b7aa86c543cfb6c57d379300d0aa39afe36befd7696d0f381c5c26465
-size 483989
+oid sha256:6c7409ea67865357c325ca7f791fa272f8dad5c303f2dca201b90c8247483c09
+size 458216

models/subword_markov/az_markov_ctx1_subword_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 1,
   "variant": "subword",
   "language": "az",
-  "unique_contexts": 7113,
-  "total_transitions": 445372741
+  "unique_contexts": 8084,
+  "total_transitions": 408780568
 }

models/subword_markov/az_markov_ctx2_subword.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:b1acb2d2cb49f03823d7a5f04faf687f085160a4c1dc2adab7a4e13964b03be2
-size 3427707
+oid sha256:4d5864cd1185e963b662764ec1b090edf953a69e9dc6e006716f24e0b3428d9c
+size 2804436

models/subword_markov/az_markov_ctx2_subword_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 2,
   "variant": "subword",
   "language": "az",
-  "unique_contexts": 72786,
-  "total_transitions": 445163302
+  "unique_contexts": 64659,
+  "total_transitions": 408574228
 }

models/subword_markov/az_markov_ctx3_subword.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:3871d32804a2219f5f3396b0b91728dd6160992e59d42fe8896c4bcb94382621
-size 17111060
+oid sha256:fbfe0023ffc34f51e9adb5b0123c302c4505ca0f78d9903a5353ad83bc040ca2
+size 13127533

models/subword_markov/az_markov_ctx3_subword_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 3,
   "variant": "subword",
   "language": "az",
-  "unique_contexts": 451475,
-  "total_transitions": 444953863
+  "unique_contexts": 341910,
+  "total_transitions": 408367888
 }

models/subword_markov/az_markov_ctx4_subword.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:992bd3717b1c0b08cdf1f88aca515bb1af0f25b7e826c455a45e0c59fba62789
-size 63283624
+oid sha256:d1d38b5ce80eb4dbc53717d081e6f5c463f70eb15ac6704164d701a01b5d73c8
+size 47177591

models/subword_markov/az_markov_ctx4_subword_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 4,
   "variant": "subword",
   "language": "az",
-  "unique_contexts": 2281437,
-  "total_transitions": 444744424
+  "unique_contexts": 1630545,
+  "total_transitions": 408161548
 }

models/subword_ngram/az_2gram_subword.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:b6660aa5cd67b23837187e8e6e9dfb8811773fbc67c340cc925dd96fa477df8e
-size 303706
+oid sha256:01b117009956861092e54c0b117771ba989b4436c6acc79c1f645ff057025622
+size 254254

models/subword_ngram/az_2gram_subword_metadata.json

@@ -2,6 +2,6 @@
   "n": 2,
   "variant": "subword",
   "language": "az",
-  "unique_ngrams": 22197,
-  "total_ngrams": 445372741
+  "unique_ngrams": 18177,
+  "total_ngrams": 408780568
 }

models/subword_ngram/az_3gram_subword.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:aa8ff9a642d58e018c6450c1335c0a292325f197796ebacda28d7c1c7a3777b7
-size 2629264
+oid sha256:4e107d66818a354fecbd66a36ed7ba07ddeb4d4ba1af9def9601f9c38123b5bf
+size 2033861

models/subword_ngram/az_3gram_subword_metadata.json

@@ -2,6 +2,6 @@
   "n": 3,
   "variant": "subword",
   "language": "az",
-  "unique_ngrams": 215243,
-  "total_ngrams": 445163302
+  "unique_ngrams": 159097,
+  "total_ngrams": 408574228
 }

models/subword_ngram/az_4gram_subword.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:7bc1dc82aeb72c52118bdcc1218942799ccbb6d2026c2502ea95e09500818f3f
-size 15841110
+oid sha256:77a17978a0469bc6812197f3796b161e5474248d30fdc332daa5a855081be2ab
+size 12006457

models/subword_ngram/az_4gram_subword_metadata.json

@@ -2,6 +2,6 @@
   "n": 4,
   "variant": "subword",
   "language": "az",
-  "unique_ngrams": 1308669,
-  "total_ngrams": 444953863
+  "unique_ngrams": 964243,
+  "total_ngrams": 408367888
 }

models/tokenizer/az_tokenizer_16k.model

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:ccd48dce261b522aa16ede8b95d9ad20d051d2c94ba30c4ab9ed7bef4352fcb5
-size 524499
+oid sha256:5d3bccd20c5d35def160ef9f75d6c037555118c80fb3b040300f3fde4b6134ad
+size 525178

models/tokenizer/az_tokenizer_32k.model

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:bdf25b32c3b72ec7ec3b8aceeb4d191e79c362a8d341638d4fcdb76e2d80c91d
-size 828562
+oid sha256:fd39d1d92e7df1344fde819e809b74326c591787c873fa720a5fd8890b719f47
+size 827135

models/tokenizer/az_tokenizer_64k.model

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:3494c2e094066efac7039285393d96c5566a53494a40c805dba02bf3d6872305
-size 1452009
+oid sha256:a276acb692e24539e0cc305ad0e3f3f4e3933a990782bddba5a70cd50a37d340
+size 1442474

models/tokenizer/az_tokenizer_8k.model

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:3d7a854bf952eaf3d642c73822c12056ae4fe37d97611c7982a3a2b8fbd00b18
-size 378944
+oid sha256:c4cea7e32c79e0a8f2372c125bd6ffd15c6db94b9860203f1518d4710f23cd59
+size 379373

models/vocabulary/az_vocabulary.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:7ed780a3b2e5a6030d0e1fd52789c427bb6d0e19d7919077548a05c0987228e7
-size 12576112
+oid sha256:c5a35d8cbf3baef9f4f72d17c5715a1606edf5cd9c35ab2b583aeb2454944099
+size 11798895

models/vocabulary/az_vocabulary_metadata.json

@@ -1,16 +1,17 @@
 {
   "language": "az",
-  "vocabulary_size": 807823,
+  "vocabulary_size": 753394,
+  "variant": "full",
   "statistics": {
-    "type_token_ratio": 0.033264968758808605,
+    "type_token_ratio": 0.03161422652176624,
     "coverage": {
-      "top_100": 0.2190541471720636,
-      "top_1000": 0.45649574344105814,
-      "top_5000": 0.652480233353335,
-      "top_10000": 0.7304854329670376
+      "top_100": 0.20346273052205324,
+      "top_1000": 0.44472442805281387,
+      "top_5000": 0.6427898397241532,
+      "top_10000": 0.7236870151642821
     },
-    "hapax_count": 1186125,
-    "hapax_ratio": 0.5948625540886723,
-    "total_documents": 209439
+    "hapax_count": 961452,
+    "hapax_ratio": 0.560663756395618,
+    "total_documents": 206340
   }
 }

models/word_markov/az_markov_ctx1_word.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:78f23984cd4f538e3fa3b3c016b36c84c54722f080a2ed5e699c493ea391b679
-size 176258147
+oid sha256:552ab4c9e20cc54d226359a00acea16bbe48ee1f46733923ca6db57110f05da8
+size 189452830

models/word_markov/az_markov_ctx1_word_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 1,
   "variant": "word",
   "language": "az",
-  "unique_contexts": 1994233,
-  "total_transitions": 76499213
+  "unique_contexts": 1714220,
+  "total_transitions": 54036518
 }

models/word_markov/az_markov_ctx2_word.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:84c74e51483191748a055d289e1a5aef8772a956f2bf11cba9e7d189ea1b4b32
-size 573585822
+oid sha256:d9e7acc98680210a34fe7dd9401dfa34d443ac51b5045bb300561df4c105c25c
+size 600844050

models/word_markov/az_markov_ctx2_word_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 2,
   "variant": "word",
   "language": "az",
-  "unique_contexts": 17848485,
-  "total_transitions": 76289777
+  "unique_contexts": 19534498,
+  "total_transitions": 53830178
 }

models/word_markov/az_markov_ctx3_word.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:6ecd9c2c1f1e9044f86b57b09c32aa0253765d15caddc662a6627016504ef0d6
-size 966856566
+oid sha256:7c9b628182f9100ca0dc1b49cf1d5aa92cb439572285128ea57427740cc216d0
+size 925684210

models/word_markov/az_markov_ctx3_word_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 3,
   "variant": "word",
   "language": "az",
-  "unique_contexts": 39971548,
-  "total_transitions": 76080345
+  "unique_contexts": 37988863,
+  "total_transitions": 53623838
 }

models/word_markov/az_markov_ctx4_word.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:0b2ed605da828cb5c4cae04eb068d419b295b7ee8b6e197746cbfb6c60f02aa8
-size 1216484335
+oid sha256:fa2c7af9ece8563ad1bc9fba05bffaece6bf56884deb1d0909eb8b13dd436d38
+size 1088368848

models/word_markov/az_markov_ctx4_word_metadata.json

@@ -2,6 +2,6 @@
   "context_size": 4,
   "variant": "word",
   "language": "az",
-  "unique_contexts": 53703949,
-  "total_transitions": 75870923
+  "unique_contexts": 45491212,
+  "total_transitions": 53417498
 }

models/word_ngram/az_2gram_word.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:c5b140538fc4f6c175a39196aec356d60fb7278eabb173a6ee0e9a00e793f6bd
-size 24317081
+oid sha256:160ed37db0748f5bd7dafb42b44a406d5350f48e62e85f77c0aeb132a9012cce
+size 21915051

models/word_ngram/az_2gram_word_metadata.json

@@ -2,6 +2,6 @@
   "n": 2,
   "variant": "word",
   "language": "az",
-  "unique_ngrams": 1418191,
-  "total_ngrams": 76499213
+  "unique_ngrams": 1217523,
+  "total_ngrams": 54036518
 }

models/word_ngram/az_3gram_word.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:0be337c9dcb09a378486e60ffe7df7c2fdfcdb019085fec83df21719c9fe8870
-size 52514526
+oid sha256:10e5b7d88eb466d64ef5aee792031429f03cacaa5f7b8f4ac8c9f7081a3c26a2
+size 36249557

models/word_ngram/az_3gram_word_metadata.json

@@ -2,6 +2,6 @@
   "n": 3,
   "variant": "word",
   "language": "az",
-  "unique_ngrams": 2779660,
-  "total_ngrams": 76289777
+  "unique_ngrams": 1735864,
+  "total_ngrams": 53830178
 }

models/word_ngram/az_4gram_word.parquet

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:cedd59a0b14806f93960d2fa3c58fc0bcc63c2d7198a36bbd07d210cc0a9e5b9
-size 104278452
+oid sha256:81c1237a2ba7d4abad2e6c7cd78a2e43adabdc5b7d65f179cfe095cca75863a0
+size 66036123

models/word_ngram/az_4gram_word_metadata.json

@@ -2,6 +2,6 @@
   "n": 4,
   "variant": "word",
   "language": "az",
-  "unique_ngrams": 5336948,
-  "total_ngrams": 76080345
+  "unique_ngrams": 3019123,
+  "total_ngrams": 53623838
 }