Armenian - Wikilangs Models
Comprehensive Research Report & Full Ablation Study
This repository contains NLP models trained and evaluated by Wikilangs, specifically on Armenian Wikipedia data. We analyze tokenizers, n-gram models, Markov chains, vocabulary statistics, and word embeddings.
📋 Repository Contents
Models & Assets
- Tokenizers (8k, 16k, 32k, 64k)
- 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 (aligned and unaligned)
- Language Vocabulary
- Language Statistics
Analysis and Evaluation
- 1. Tokenizer Evaluation
- 2. N-gram Model Evaluation
- 3. Markov Chain Evaluation
- 4. Vocabulary Analysis
- 5. Word Embeddings Evaluation
- 6. Morphological Analysis (Experimental)
- 7. Summary & Recommendations
- Metrics Glossary
- Visualizations Index
1. Tokenizer Evaluation
Results
| Vocab Size | Compression | Avg Token Len | UNK Rate | Total Tokens |
|---|---|---|---|---|
| 8k | 3.834x | 3.86 | 0.1591% | 2,659,955 |
| 16k | 4.305x | 4.33 | 0.1786% | 2,368,713 |
| 32k | 4.718x | 4.75 | 0.1958% | 2,161,366 |
| 64k | 5.067x 🏆 | 5.10 | 0.2102% | 2,012,394 |
Tokenization Examples
Below are sample sentences tokenized with each vocabulary size:
Sample 1: Աստերոիդների ցանկ Աստերոիդների ցանկ Աստերոիդների ցանկ | || || 12 հոկտեմբեր || Կի...
| Vocab | Tokens | Count |
|---|---|---|
| 8k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁ | ▁ |
| 16k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁ | ▁ |
| 32k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁ | ▁ |
| 64k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁ | ▁ |
Sample 2: Աստերոիդների ցանկ Աստերոիդների ցանկ Աստերոիդների ցանկ | || || 13 ապրիլ || Կատալի...
| Vocab | Tokens | Count |
|---|---|---|
| 8k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁ | ▁ |
| 16k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁ | ▁ |
| 32k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁ | ▁ |
| 64k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁ | ▁ |
Sample 3: Դրյաժնո, բնակավայրերի անուններ՝ Բելառուսիա Դրյաժնո - գյուղակ Վիտեբսկի շրջանում, ...
| Vocab | Tokens | Count |
|---|---|---|
| 8k | ▁դր յ աժ նո , ▁բնակավայրերի ▁անուն ներ՝ ▁բելառուս իա ... (+28 more) |
38 |
| 16k | ▁դր յ աժ նո , ▁բնակավայրերի ▁անուն ներ՝ ▁բելառուս իա ... (+28 more) |
38 |
| 32k | ▁դր յաժ նո , ▁բնակավայրերի ▁անուն ներ՝ ▁բելառուս իա ▁դր ... (+25 more) |
35 |
| 64k | ▁դր յաժ նո , ▁բնակավայրերի ▁անուն ներ՝ ▁բելառուս իա ▁դր ... (+19 more) |
29 |
Key Findings
- Best Compression: 64k achieves 5.067x compression
- Lowest UNK Rate: 8k with 0.1591% unknown tokens
- Trade-off: Larger vocabularies improve compression but increase model size
- Recommendation: 32k vocabulary provides optimal balance for production use
2. N-gram Model Evaluation
Results
| N-gram | Variant | Perplexity | Entropy | Unique N-grams | Top-100 Coverage | Top-1000 Coverage |
|---|---|---|---|---|---|---|
| 2-gram | Word | 274,089 | 18.06 | 2,048,640 | 5.7% | 17.3% |
| 2-gram | Subword | 435 🏆 | 8.77 | 31,099 | 58.6% | 95.3% |
| 3-gram | Word | 587,646 | 19.16 | 3,025,054 | 4.6% | 14.3% |
| 3-gram | Subword | 3,630 | 11.83 | 285,926 | 26.0% | 63.1% |
| 4-gram | Word | 869,845 | 19.73 | 4,440,732 | 5.7% | 15.5% |
| 4-gram | Subword | 20,147 | 14.30 | 1,705,625 | 14.0% | 36.8% |
| 5-gram | Word | 457,726 | 18.80 | 2,884,886 | 8.6% | 20.6% |
| 5-gram | Subword | 78,248 | 16.26 | 5,627,732 | 8.9% | 23.9% |
Top 5 N-grams by Size
2-grams (Word):
| Rank | N-gram | Count |
|---|---|---|
| 1 | արտաքին հղումներ |
162,524 |
| 2 | է որ |
122,895 |
| 3 | ծանոթագրություններ արտաքին |
120,383 |
| 4 | եղել է |
83,997 |
| 5 | է թվականի |
83,509 |
3-grams (Word):
| Rank | N-gram | Count |
|---|---|---|
| 1 | ծանոթագրություններ արտաքին հղումներ |
119,820 |
| 2 | շրջանի բնակավայրեր գյուղեր |
35,523 |
| 3 | մ թ ա |
25,916 |
| 4 | արտաքին հղումներ ռուսաստանի |
19,895 |
| 5 | է ա մ |
19,670 |
4-grams (Word):
| Rank | N-gram | Count |
|---|---|---|
| 1 | գոտիները worldtimezone com կայքում |
18,028 |
| 2 | ժամային գոտիները worldtimezone com |
18,028 |
| 3 | ռուսաստանի ժամային գոտիները worldtimezone |
18,028 |
| 4 | արտաքին հղումներ ռուսաստանի ժամային |
18,006 |
| 5 | հղումներ ռուսաստանի ժամային գոտիները |
18,006 |
5-grams (Word):
| Rank | N-gram | Count |
|---|---|---|
| 1 | ժամային գոտիները worldtimezone com կայքում |
18,028 |
| 2 | ռուսաստանի ժամային գոտիները worldtimezone com |
18,028 |
| 3 | արտաքին հղումներ ռուսաստանի ժամային գոտիները |
18,006 |
| 4 | հղումներ ռուսաստանի ժամային գոտիները worldtimezone |
18,006 |
| 5 | թվականի ուկրաինայի համապետական մարդահամարի արդյունքները |
17,821 |
2-grams (Subword):
| Rank | N-gram | Count |
|---|---|---|
| 1 | ո ւ |
25,191,475 |
| 2 | ա ն |
21,219,860 |
| 3 | ն _ |
15,448,243 |
| 4 | ե ր |
14,542,618 |
| 5 | ի _ |
12,944,110 |
3-grams (Subword):
| Rank | N-gram | Count |
|---|---|---|
| 1 | ո ւ մ |
7,197,254 |
| 2 | ն ե ր |
6,928,522 |
| 3 | ա ն _ |
6,546,164 |
| 4 | ա կ ա |
6,299,916 |
| 5 | կ ա ն |
5,484,002 |
4-grams (Subword):
| Rank | N-gram | Count |
|---|---|---|
| 1 | ա կ ա ն |
4,881,415 |
| 2 | ո ւ թ յ |
4,780,700 |
| 3 | ո ւ մ _ |
4,302,874 |
| 4 | յ ո ւ ն |
3,153,212 |
| 5 | կ ա ն _ |
2,879,683 |
5-grams (Subword):
| Rank | N-gram | Count |
|---|---|---|
| 1 | թ յ ո ւ ն |
2,857,609 |
| 2 | ո ւ թ յ ո |
2,854,879 |
| 3 | ւ թ յ ո ւ |
2,854,454 |
| 4 | ա կ ա ն _ |
2,763,929 |
| 5 | ո ւ թ յ ա |
1,924,954 |
Key Findings
- Best Perplexity: 2-gram (subword) with 435
- Entropy Trend: Decreases with larger n-grams (more predictable)
- Coverage: Top-1000 patterns cover ~24% of corpus
- Recommendation: 4-gram or 5-gram for best predictive performance
3. Markov Chain Evaluation
Results
| Context | Variant | Avg Entropy | Perplexity | Branching Factor | Unique Contexts | Predictability |
|---|---|---|---|---|---|---|
| 1 | Word | 0.8583 | 1.813 | 11.08 | 3,072,156 | 14.2% |
| 1 | Subword | 1.3537 | 2.556 | 10.63 | 11,441 | 0.0% |
| 2 | Word | 0.3131 | 1.242 | 2.02 | 34,021,781 | 68.7% |
| 2 | Subword | 0.7180 | 1.645 | 5.38 | 121,571 | 28.2% |
| 3 | Word | 0.1098 | 1.079 | 1.24 | 68,796,040 | 89.0% |
| 3 | Subword | 0.7758 | 1.712 | 4.65 | 653,913 | 22.4% |
| 4 | Word | 0.0398 🏆 | 1.028 | 1.07 | 84,964,993 | 96.0% |
| 4 | Subword | 0.6964 | 1.620 | 3.55 | 3,038,021 | 30.4% |
Generated Text Samples (Word-based)
Below are text samples generated from each word-based Markov chain model:
Context Size 1:
է հիստերիկա սարքում և ի առաջին պարբերությունը 10 ը չեն անվանել են ամենակերներ էին որպես բուսաբանականև նիկոլայ սմորչկով ավագ դուստր վարկած ըստ ռդ առաջին հակաօդային պաշտպանության տակ է ֆիլմում թվականին ...են շարիաթի օրենքներին առաջարկություններ անել իր հարազատ ռոստսելմաշ ակումբ քանի որ և նա ստեղծեց red w...
Context Size 2:
արտաքին հղումներ ayuntamiento de torrejón de velasco la cocina española antigua la cocina gitana las...է որ այդ թեմատիկայով մեծ հայտնիություն ձեռք բերեց լյուկ բեսոնի լյուսի ֆիլմում միաժամանակ ցուցադրվում...ծանոթագրություններ արտաքին հղումներ лица самарской губернии на год спб типография м о г цикл миниатю...
Context Size 3:
ծանոթագրություններ արտաքին հղումներ կինոշիտա աստերոիդը փոքր մոլորակների կենտրոնի կայքում ուղեծրի տվյ...մ թ ա ii i հազարամյակներ նավոլոկ գյուղի շրջակայքի ավազաբլուրներից հավաքված նյութերի շարքում եղել են ...արտաքին հղումներ ռուսաստանի ժամային գոտիները worldtimezone com կայքում բաշկորտոստան հանրապետության զ...
Context Size 4:
ռուսաստանի ժամային գոտիները worldtimezone com կայքում սմոլենսկի մարզի սմոլենսկի շրջանի կազմում բնակչ...գոտիները worldtimezone com կայքում լենինգրադի մարզի վսևոլոժսկի շրջանի կազմում բնակչությունը թվականին...ժամային գոտիները worldtimezone com կայքում բաշկորտոստան հանրապետության ուֆիմսկի շրջանի կազմում բնակչ...
Generated Text Samples (Subword-based)
Below are text samples generated from each subword-based Markov chain model:
Context Size 1:
_է_moronesestourածերնդենունովավոնքայերկսկոլոնչես
Context Size 2:
ությում_մերիք_ենդան_հսկվեր_գում,_ոն_ճարևությունք_կա
Context Size 3:
ում_մեծ_մելով_արհիներ_կամ_դե_մենտրուան_տվյալներազմինչպ
Context Size 4:
ական_դոլիվություննեությանը_չափի_ռեկտոնում_նրանց_տղամարդկա
Key Findings
- Best Predictability: Context-4 (word) with 96.0% predictability
- Branching Factor: Decreases with context size (more deterministic)
- Memory Trade-off: Larger contexts require more storage (3,038,021 contexts)
- Recommendation: Context-3 or Context-4 for text generation
4. Vocabulary Analysis
Statistics
| Metric | Value |
|---|---|
| Vocabulary Size | 1,233,415 |
| Total Tokens | 101,630,095 |
| Mean Frequency | 82.40 |
| Median Frequency | 4 |
| Frequency Std Dev | 4969.84 |
Most Common Words
| Rank | Word | Frequency |
|---|---|---|
| 1 | է | 4,241,724 |
| 2 | և | 2,378,989 |
| 3 | են | 1,229,938 |
| 4 | էր | 646,182 |
| 5 | թվականին | 577,819 |
| 6 | թվականի | 566,535 |
| 7 | որ | 463,952 |
| 8 | համար | 422,395 |
| 9 | ի | 378,745 |
| 10 | իր | 371,982 |
Least Common Words (from vocabulary)
| Rank | Word | Frequency |
|---|---|---|
| 1 | սանգկունուր | 2 |
| 2 | արչեհում | 2 |
| 3 | ռեգենսիում | 2 |
| 4 | դեմոգորգանին | 2 |
| 5 | շնապն | 2 |
| 6 | ռահմանուլլա | 2 |
| 7 | լականվալ | 2 |
| 8 | լականվալն | 2 |
| 9 | ակլեհի | 2 |
| 10 | jsrn | 2 |
Zipf's Law Analysis
| Metric | Value |
|---|---|
| Zipf Coefficient | 0.9590 |
| R² (Goodness of Fit) | 0.995010 |
| Adherence Quality | excellent |
Coverage Analysis
| Top N Words | Coverage |
|---|---|
| Top 100 | 25.0% |
| Top 1,000 | 47.2% |
| Top 5,000 | 65.8% |
| Top 10,000 | 73.5% |
Key Findings
- Zipf Compliance: R²=0.9950 indicates excellent adherence to Zipf's law
- High Frequency Dominance: Top 100 words cover 25.0% of corpus
- Long Tail: 1,223,415 words needed for remaining 26.5% coverage
5. Word Embeddings Evaluation
5.1 Cross-Lingual Alignment
5.2 Model Comparison
| Model | Dimension | Isotropy | Semantic Density | Alignment R@1 | Alignment R@10 |
|---|---|---|---|---|---|
| mono_32d | 32 | 0.7690 | 0.3405 | N/A | N/A |
| mono_64d | 64 | 0.7404 | 0.3145 | N/A | N/A |
| mono_128d | 128 | 0.6370 | 0.2680 | N/A | N/A |
| aligned_32d | 32 | 0.7690 🏆 | 0.3747 | 0.1620 | 0.5260 |
| aligned_64d | 64 | 0.7404 | 0.3024 | 0.2940 | 0.7100 |
| aligned_128d | 128 | 0.6370 | 0.2604 | 0.4280 | 0.8220 |
Key Findings
- Best Isotropy: aligned_32d with 0.7690 (more uniform distribution)
- Semantic Density: Average pairwise similarity of 0.3101. Lower values indicate better semantic separation.
- Alignment Quality: Aligned models achieve up to 42.8% R@1 in cross-lingual retrieval.
- Recommendation: 128d aligned for best cross-lingual performance
6. Morphological Analysis (Experimental)
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 | 5.000 | High morphological productivity | Reliable analysis |
| Idiomaticity Gap | -0.140 | 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 |
|---|---|
-ա |
աբաջիև, ամնեզիա, այծյամներ |
-մա |
մադկանց, մանգաղներ, մարդահաշվին |
-կա |
կամպեադոր, կավճապատ, կաբարդինկա |
-կ |
կոնորայի, կամպեադոր, կեպիտալ |
-կո |
կոնորայի, կոնտրապունկտերի, կոմպանյոնի |
-հա |
համօգտագործումը, հայէներգոի, հարկավո |
-ս |
սեխմեց, սեկկո, սաղաթելյանն |
-մ |
մադկանց, մանգաղներ, մերկացուցիչ |
Productive Suffixes
| Suffix | Examples |
|---|---|
-ն |
վերաբնակիչներին, խուրային, շրջանագիծն |
-ի |
կոնորայի, կոնտրապունկտերի, վիվիի |
-ը |
զանգակատները, շերզինգերը, լեյշմանիոզները |
-ին |
վերաբնակիչներին, խուրային, բենզինին |
-ան |
չեբոտարևսկայան, կարիբիան, նենգափոխության |
-րի |
կոնտրապունկտերի, դատավորների, անզգայացուցիչների |
-ւմ |
ռազմաբեմում, հեվրոնում, պարբերագրում |
-մ |
ռազմաբեմում, հեվրոնում, սիտկոմ |
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 |
|---|---|---|---|
ությ |
1.85x | 608 contexts | ությակ, ության, ությոա |
ններ |
1.61x | 522 contexts | աններ, զններ, ոններ |
րներ |
1.51x | 463 contexts | արներ, թրներ, լերներ |
մբեր |
1.58x | 352 contexts | իմբեր, թմբեր, խմբեր |
ատու |
1.40x | 704 contexts | բատու, կատու, հատու |
րված |
1.64x | 255 contexts | ջրված, հրված, սրված |
կներ |
1.49x | 432 contexts | մկներ, կներե, սկներ |
ազմա |
1.60x | 200 contexts | կազմա, ազմաթ, ազման |
ւմնե |
1.69x | 134 contexts | ումների, հղւմներ, սումներ |
ւթյո |
1.72x | 115 contexts | ությոա, ություն, լռությո |
շխատ |
1.82x | 71 contexts | աշխատ, աշխատե, աշխատի |
աղաք |
1.73x | 82 contexts | մաղաք, աղաքի, քաղաք |
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 |
|---|---|---|---|
-ա |
-ն |
126 words | անտիֆոն, ապակեգործության |
-ա |
-ի |
101 words | ագնիայի, ավտոդրոմի |
-ս |
-ի |
84 words | սաիդի, սավաժի |
-ս |
-ն |
80 words | սոցապահովման, սանդովին |
-կ |
-ն |
78 words | կամենևին, կազմակերպություններին |
-կ |
-ի |
74 words | կրիոլիթոսֆերայի, կենսամիջոցների |
-ա |
-ը |
73 words | աքիսը, ագարդը |
-մ |
-ի |
72 words | մաքսիմալիզմի, մաուսոլոսի |
-մ |
-ն |
68 words | մութիւն, մահուին |
-մա |
-ն |
55 words | մահուին, մաուդան |
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 |
|---|---|---|---|
| կրասնոպոլիե | կրասնոպոլ-ի-ե |
7.5 | ի |
| դիդերմներ | դիդերմ-ն-եր |
7.5 | ն |
| ձնագնդիկներ | ձնագնդիկ-ն-եր |
7.5 | ն |
| վերահսկված | վերահսկ-վ-ած |
7.5 | վ |
| մետակոգնիտիվ | մետակոգնիտ-ի-վ |
7.5 | ի |
| վերահանձնվել | վերահանձն-վ-ել |
7.5 | վ |
| իրականութիւն | իրականութ-ի-ւն |
7.5 | ի |
| կուլիբալիի | կուլիբալ-ի-ի |
7.5 | ի |
| համասարանի | համասար-ան-ի |
7.5 | ան |
| նախամարդիկ | նախամարդ-ի-կ |
7.5 | ի |
| մայրաասպանը | մայրաասպ-ան-ը |
7.5 | ան |
| մտայնությունից | մտայնությու-ն-ից |
7.5 | ն |
| միկրոբիոտիան | միկրոբիոտ-ի-ան |
7.5 | ի |
| սկզբնականից | սկզբնակ-ան-ից |
7.5 | ան |
| տրիպտամիններ | տրիպտամին-ն-եր |
7.5 | ն |
6.6 Linguistic Interpretation
Automated Insight: The language Armenian shows high morphological productivity. The subword models are significantly more efficient than word models, suggesting a rich system of affixation or compounding.
7. Summary & Recommendations
Production Recommendations
| Component | Recommended | Rationale |
|---|---|---|
| Tokenizer | 64k BPE | Best compression (5.07x) |
| N-gram | 2-gram | Lowest perplexity (435) |
| Markov | Context-4 | Highest predictability (96.0%) |
| Embeddings | 100d | Balanced semantic capture and isotropy |
Appendix: Metrics Glossary & Interpretation Guide
This section provides definitions, intuitions, and guidance for interpreting the metrics used throughout this report.
Tokenizer Metrics
Compression Ratio
Definition: The ratio of characters to tokens (chars/token). Measures how efficiently the tokenizer represents text.
Intuition: Higher compression means fewer tokens needed to represent the same text, reducing sequence lengths for downstream models. A 3x compression means ~3 characters per token on average.
What to seek: Higher is generally better for efficiency, but extremely high compression may indicate overly aggressive merging that loses morphological information.
Average Token Length (Fertility)
Definition: Mean number of characters per token produced by the tokenizer.
Intuition: Reflects the granularity of tokenization. Longer tokens capture more context but may struggle with rare words; shorter tokens are more flexible but increase sequence length.
What to seek: Balance between 2-5 characters for most languages. Arabic/morphologically-rich languages may benefit from slightly longer tokens.
Unknown Token Rate (OOV Rate)
Definition: Percentage of tokens that map to the unknown/UNK token, indicating words the tokenizer cannot represent.
Intuition: Lower OOV means better vocabulary coverage. High OOV indicates the tokenizer encounters many unseen character sequences.
What to seek: Below 1% is excellent; below 5% is acceptable. BPE tokenizers typically achieve very low OOV due to subword fallback.
N-gram Model Metrics
Perplexity
Definition: Measures how "surprised" the model is by test data. Mathematically: 2^(cross-entropy). Lower values indicate better prediction.
Intuition: If perplexity is 100, the model is as uncertain as if choosing uniformly among 100 options at each step. A perplexity of 10 means effectively choosing among 10 equally likely options.
What to seek: Lower is better. Perplexity decreases with larger n-grams (more context). Values vary widely by language and corpus size.
Entropy
Definition: Average information content (in bits) needed to encode the next token given the context. Related to perplexity: perplexity = 2^entropy.
Intuition: High entropy means high uncertainty/randomness; low entropy means predictable patterns. Natural language typically has entropy between 1-4 bits per character.
What to seek: Lower entropy indicates more predictable text patterns. Entropy should decrease as n-gram size increases.
Coverage (Top-K)
Definition: Percentage of corpus occurrences explained by the top K most frequent n-grams.
Intuition: High coverage with few patterns indicates repetitive/formulaic text; low coverage suggests diverse vocabulary usage.
What to seek: Depends on use case. For language modeling, moderate coverage (40-60% with top-1000) is typical for natural text.
Markov Chain Metrics
Average Entropy
Definition: Mean entropy across all contexts, measuring average uncertainty in next-word prediction.
Intuition: Lower entropy means the model is more confident about what comes next. Context-1 has high entropy (many possible next words); Context-4 has low entropy (few likely continuations).
What to seek: Decreasing entropy with larger context sizes. Very low entropy (<0.1) indicates highly deterministic transitions.
Branching Factor
Definition: Average number of unique next tokens observed for each context.
Intuition: High branching = many possible continuations (flexible but uncertain); low branching = few options (predictable but potentially repetitive).
What to seek: Branching factor should decrease with context size. Values near 1.0 indicate nearly deterministic chains.
Predictability
Definition: Derived metric: (1 - normalized_entropy) × 100%. Indicates how deterministic the model's predictions are.
Intuition: 100% predictability means the next word is always certain; 0% means completely random. Real text falls between these extremes.
What to seek: Higher predictability for text generation quality, but too high (>98%) may produce repetitive output.
Vocabulary & Zipf's Law Metrics
Zipf's Coefficient
Definition: The slope of the log-log plot of word frequency vs. rank. Zipf's law predicts this should be approximately -1.
Intuition: A coefficient near -1 indicates the corpus follows natural language patterns where a few words are very common and most words are rare.
What to seek: Values between -0.8 and -1.2 indicate healthy natural language distribution. Deviations may suggest domain-specific or artificial text.
R² (Coefficient of Determination)
Definition: Measures how well the linear fit explains the frequency-rank relationship. Ranges from 0 to 1.
Intuition: R² near 1.0 means the data closely follows Zipf's law; lower values indicate deviation from expected word frequency patterns.
What to seek: R² > 0.95 is excellent; > 0.99 indicates near-perfect Zipf adherence typical of large natural corpora.
Vocabulary Coverage
Definition: Cumulative percentage of corpus tokens accounted for by the top N words.
Intuition: Shows how concentrated word usage is. If top-100 words cover 50% of text, the corpus relies heavily on common words.
What to seek: Top-100 covering 30-50% is typical. Higher coverage indicates more repetitive text; lower suggests richer vocabulary.
Word Embedding Metrics
Isotropy
Definition: Measures how uniformly distributed vectors are in the embedding space. Computed as the ratio of minimum to maximum singular values.
Intuition: High isotropy (near 1.0) means vectors spread evenly in all directions; low isotropy means vectors cluster in certain directions, reducing expressiveness.
What to seek: Higher isotropy generally indicates better-quality embeddings. Values > 0.1 are reasonable; > 0.3 is good. Lower-dimensional embeddings tend to have higher isotropy.
Average Norm
Definition: Mean magnitude (L2 norm) of word vectors in the embedding space.
Intuition: Indicates the typical "length" of vectors. Consistent norms suggest stable training; high variance may indicate some words are undertrained.
What to seek: Relatively consistent norms across models. The absolute value matters less than consistency (low std deviation).
Cosine Similarity
Definition: Measures angular similarity between vectors, ranging from -1 (opposite) to 1 (identical direction).
Intuition: Words with similar meanings should have high cosine similarity. This is the standard metric for semantic relatedness in embeddings.
What to seek: Semantically related words should score > 0.5; unrelated words should be near 0. Synonyms often score > 0.7.
t-SNE Visualization
Definition: t-Distributed Stochastic Neighbor Embedding - a dimensionality reduction technique that preserves local structure for visualization.
Intuition: Clusters in t-SNE plots indicate groups of semantically related words. Spread indicates vocabulary diversity; tight clusters suggest semantic coherence.
What to seek: Meaningful clusters (e.g., numbers together, verbs together). Avoid over-interpreting distances - t-SNE preserves local, not global, structure.
General Interpretation Guidelines
- Compare within model families: Metrics are most meaningful when comparing models of the same type (e.g., 8k vs 64k tokenizer).
- Consider trade-offs: Better performance on one metric often comes at the cost of another (e.g., compression vs. OOV rate).
- Context matters: Optimal values depend on downstream tasks. Text generation may prioritize different metrics than classification.
- Corpus influence: All metrics are influenced by corpus characteristics. Wikipedia text differs from social media or literature.
- Language-specific patterns: Morphologically rich languages (like Arabic) may show different optimal ranges than analytic languages.
Visualizations Index
| Visualization | Description |
|---|---|
| Tokenizer Compression | Compression ratios by vocabulary size |
| Tokenizer Fertility | Average token length by vocabulary |
| Tokenizer OOV | Unknown token rates |
| Tokenizer Total Tokens | Total tokens by vocabulary |
| N-gram Perplexity | Perplexity by n-gram size |
| N-gram Entropy | Entropy by n-gram size |
| N-gram Coverage | Top pattern coverage |
| N-gram Unique | Unique n-gram counts |
| Markov Entropy | Entropy by context size |
| Markov Branching | Branching factor by context |
| Markov Contexts | Unique context counts |
| Zipf's Law | Frequency-rank distribution with fit |
| Vocab Frequency | Word frequency distribution |
| Top 20 Words | Most frequent words |
| Vocab Coverage | Cumulative coverage curve |
| Embedding Isotropy | Vector space uniformity |
| Embedding Norms | Vector magnitude distribution |
| Embedding Similarity | Word similarity heatmap |
| Nearest Neighbors | Similar words for key terms |
| t-SNE Words | 2D word embedding visualization |
| t-SNE Sentences | 2D sentence embedding visualization |
| Position Encoding | Encoding method comparison |
| Model Sizes | Storage requirements |
| Performance Dashboard | Comprehensive performance overview |
About This Project
Data Source
Models trained on wikipedia-monthly - a monthly snapshot of Wikipedia articles across 300+ languages.
Project
A project by Wikilangs - Open-source NLP models for every Wikipedia language.
Maintainer
Citation
If you use these models in your research, please cite:
@misc{wikilangs2025,
author = {Kamali, Omar},
title = {Wikilangs: Open NLP Models for Wikipedia Languages},
year = {2025},
doi = {10.5281/zenodo.18073153},
publisher = {Zenodo},
url = {https://huggingface.co/wikilangs}
institution = {Omneity Labs}
}
License
MIT License - Free for academic and commercial use.
Links
- 🌐 Website: wikilangs.org
- 🤗 Models: huggingface.co/wikilangs
- 📊 Data: wikipedia-monthly
- 👤 Author: Omar Kamali
- 🤝 Sponsor: Featherless AI
Generated by Wikilangs Models Pipeline
Report Date: 2026-01-10 18:05:40