README.md

metadata

language: kk
language_name: Kazakh
language_family: turkic_kipchak
tags:
  - wikilangs
  - nlp
  - tokenizer
  - embeddings
  - n-gram
  - markov
  - wikipedia
  - feature-extraction
  - sentence-similarity
  - tokenization
  - n-grams
  - markov-chain
  - text-mining
  - fasttext
  - babelvec
  - vocabulous
  - vocabulary
  - monolingual
  - family-turkic_kipchak
license: mit
library_name: wikilangs
pipeline_tag: text-generation
datasets:
  - omarkamali/wikipedia-monthly
dataset_info:
  name: wikipedia-monthly
  description: Monthly snapshots of Wikipedia articles across 300+ languages
metrics:
  - name: best_compression_ratio
    type: compression
    value: 4.977
  - name: best_isotropy
    type: isotropy
    value: 0.701
  - name: vocabulary_size
    type: vocab
    value: 0
generated: 2026-01-10T00:00:00.000Z

Kazakh - Wikilangs Models

Comprehensive Research Report & Full Ablation Study

This repository contains NLP models trained and evaluated by Wikilangs, specifically on Kazakh 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	3.772x	3.77	0.3045%	1,829,937
16k	4.241x	4.24	0.3424%	1,627,264
32k	4.650x	4.65	0.3754%	1,484,160
64k	4.977x 🏆	4.98	0.4018%	1,386,763

Tokenization Examples

Below are sample sentences tokenized with each vocabulary size:

Sample 1: Оқиғалар Туғандар Тағы қара: : жылы туғандар Қайтыс болғандар Тағы қара: : жылы ...

Vocab	Tokens	Count
8k	▁оқиғалар ▁туғандар ▁тағы ▁қара : ▁: ▁жылы ▁туғандар ▁қайтыс ▁болғандар ... (+11 more)	21
16k	▁оқиғалар ▁туғандар ▁тағы ▁қара : ▁: ▁жылы ▁туғандар ▁қайтыс ▁болғандар ... (+11 more)	21
32k	▁оқиғалар ▁туғандар ▁тағы ▁қара : ▁: ▁жылы ▁туғандар ▁қайтыс ▁болғандар ... (+11 more)	21
64k	▁оқиғалар ▁туғандар ▁тағы ▁қара : ▁: ▁жылы ▁туғандар ▁қайтыс ▁болғандар ... (+11 more)	21

Sample 2: Оқиғалар Туғандар Тағы қара: : з. д. 849 жылы туғандар Қайтыс болғандар Тағы қар...

Vocab	Tokens	Count
8k	▁оқиғалар ▁туғандар ▁тағы ▁қара : ▁: ▁з . ▁д . ... (+27 more)	37
16k	▁оқиғалар ▁туғандар ▁тағы ▁қара : ▁: ▁з . ▁д . ... (+27 more)	37
32k	▁оқиғалар ▁туғандар ▁тағы ▁қара : ▁: ▁з . ▁д . ... (+27 more)	37
64k	▁оқиғалар ▁туғандар ▁тағы ▁қара : ▁: ▁з . ▁д . ... (+27 more)	37

Sample 3: Денвер () — Колорадо штатының Денвер округіне жататын АҚШ қаласы.

Vocab	Tokens	Count
8k	▁ден вер ▁() ▁— ▁кол ор адо ▁штатының ▁ден вер ... (+5 more)	15
16k	▁ден вер ▁() ▁— ▁колорадо ▁штатының ▁ден вер ▁округіне ▁жататын ... (+3 more)	13
32k	▁ден вер ▁() ▁— ▁колорадо ▁штатының ▁ден вер ▁округіне ▁жататын ... (+3 more)	13
64k	▁ден вер ▁() ▁— ▁колорадо ▁штатының ▁ден вер ▁округіне ▁жататын ... (+3 more)	13

Key Findings

• Best Compression: 64k achieves 4.977x compression
• Lowest UNK Rate: 8k with 0.3045% 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	50,781	15.63	635,206	13.5%	36.3%
2-gram	Subword	408 🏆	8.67	14,531	58.9%	97.3%
3-gram	Word	31,735	14.95	735,424	16.7%	45.1%
3-gram	Subword	3,241	11.66	127,100	21.8%	66.2%
4-gram	Word	42,856	15.39	1,354,792	17.2%	44.2%
4-gram	Subword	16,071	13.97	781,025	10.8%	38.2%
5-gram	Word	32,278	14.98	1,073,181	18.4%	45.9%
5-gram	Subword	53,942	15.72	2,515,495	6.8%	25.7%

Top 5 N-grams by Size

2-grams (Word):

Rank	N-gram	Count
1	сыртқы сілтемелер	94,884
2	тұрғындарының саны	63,172
3	жер аумағы	60,266
4	дереккөздер сыртқы	59,467
5	алып жатқан	58,019

3-grams (Word):

Rank	N-gram	Count
1	алып жатқан жер	57,518
2	жатқан жер аумағы	57,501
3	дереккөздер сыртқы сілтемелер	53,338
4	жылғы мәліметтер бойынша	37,228
5	бойынша тұрғындарының саны	37,149

4-grams (Word):

Rank	N-gram	Count
1	алып жатқан жер аумағы	57,501
2	мәліметтер бойынша тұрғындарының саны	37,144
3	жылғы мәліметтер бойынша тұрғындарының	37,139
4	жер аумақтарынан ағып өтеді	22,912
5	су алабы өңіріне жатады	22,794

5-grams (Word):

Rank	N-gram	Count
1	жылғы мәліметтер бойынша тұрғындарының саны	37,139
2	су алабы өңіріне жатады өзеннің	22,791
3	федерациясы табиғи ресурстар және экология	22,789
4	сыртқы сілтемелер ресей федерациясы табиғи	22,789
5	сілтемелер ресей федерациясы табиғи ресурстар	22,789

2-grams (Subword):

Rank	N-gram	Count
1	ы _	4,184,362
2	а р	3,959,987
3	н _	3,570,515
4	а н	3,529,083
5	а л	3,338,151

3-grams (Subword):

Rank	N-gram	Count
1	ы ң _	1,429,377
2	_ қ а	1,294,982
3	н д а	1,265,853
4	а н _	1,237,704
5	е н _	1,131,817

4-grams (Subword):

Rank	N-gram	Count
1	н ы ң _	994,945
2	ы н д а	897,950
3	ы н ы ң	649,967
4	д ы . _	602,358
5	л ы қ _	590,402

5-grams (Subword):

Rank	N-gram	Count
1	ы н ы ң _	640,895
2	ж ә н е _	461,132
3	_ ж ә н е	461,108
4	і н і ң _	415,949
5	ы н д а _	372,714

Key Findings

• Best Perplexity: 2-gram (subword) with 408
• Entropy Trend: Decreases with larger n-grams (more predictable)
• Coverage: Top-1000 patterns cover ~26% 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	0.9389	1.917	10.11	1,229,299	6.1%
1	Subword	1.0239	2.033	7.20	7,217	0.0%
2	Word	0.2789	1.213	1.72	12,407,759	72.1%
2	Subword	0.7626	1.697	5.39	51,715	23.7%
3	Word	0.0788	1.056	1.14	21,365,193	92.1%
3	Subword	0.8061	1.748	4.76	278,483	19.4%
4	Word	0.0283 🏆	1.020	1.05	24,363,984	97.2%
4	Subword	0.7342	1.664	3.54	1,325,004	26.6%

Generated Text Samples (Word-based)

Below are text samples generated from each word-based Markov chain model:

Context Size 1:

1. және идеялас тұрғанын естиміз қалыпты жағдайда ғана шығатын кезден бастап бесінші айла басшысын ауыс...
2. бойынша тұрғындарының саны 4 вильнюс баку ауданында комарка орналасқан шаңды дауылдарға байланысты б...
3. су торабына дейін өзен сағасы тиксна өзенінің құйылысына дейінгі аралықта дәстүргүлдер ашық хоккей с...

Context Size 2:

1. сыртқы сілтемелер ресми сайты саксония елді мекендері ауыл аты киіз үй тәрізді түрғын үйі кіреді жақ...
2. тұрғындарының саны 174 адамды құрайды алып жатқан жер аумағы 20 км жерде таулы теңіз деңгейінен 176 ...
3. жер аумағы 17 6 54 55 1 24 25 км дей жерде үлкен сарышығанақ қолтығында шөл белдемінде

Context Size 3:

1. алып жатқан жер аумағы 3 5 км шамасында fips коды сыртқы ақш тың барлық қалалары жайында статистикал...
2. жатқан жер аумағы 9 23 км шамасында коммунаның insee коды пошта индексі демографиясы жылғы мәліметте...
3. дереккөздер сыртқы сілтемелер ресми сайты францияның ұлттық статистика және экономикалық зерттеулер ...

Context Size 4:

1. алып жатқан жер аумағы 33 56 км шамасында елді мекеннің автомобиль коды fb ресми идентификациялық ко...
2. мәліметтер бойынша тұрғындарының саны 41 адамды құрайды алып жатқан жер аумағы 711 649 км шамасында ...
3. жылғы мәліметтер бойынша тұрғындарының саны 650 адамды құрайды 31 желтоқсан жыл алып жатқан жер аума...

Generated Text Samples (Subword-based)

Below are text samples generated from each subword-based Markov chain model:

Context Size 1:

1. _бі._патық,_мтіл
2. апең_бері_қ_қ_жа
3. ыле_ұзамдардынды

Context Size 2:

1. ы_қары_еуі_жаңа_-
2. аратаралдің_се_от
3. н_көп_б.)._жылдың

Context Size 3:

1. ың_құмдары_бұжымда
2. _қалы_тегіш_соң_жа
3. ндағы_1_17_59_кере

Context Size 4:

1. ның_ақысымен_қуатын
2. ындары_теңіздер_жақ
3. ының_құрылғанындағы

Key Findings

• Best Predictability: Context-4 (word) with 97.2% predictability
• Branching Factor: Decreases with context size (more deterministic)
• Memory Trade-off: Larger contexts require more storage (1,325,004 contexts)
• Recommendation: Context-3 or Context-4 for text generation

---

4. Vocabulary Analysis

Statistics

Metric	Value
Vocabulary Size	538,078
Total Tokens	35,515,416
Mean Frequency	66.00
Median Frequency	4
Frequency Std Dev	1426.50

Most Common Words

Rank	Word	Frequency
1	және	461,374
2	бойынша	214,790
3	су	213,722
4	жылы	206,615
5	мен	203,657
6	км	180,670
7	дереккөздер	166,770
8	1	129,114
9	өзен	122,193
10	коды	120,681

Least Common Words (from vocabulary)

Rank	Word	Frequency
1	изомеризациясы	2
2	шолқара	2
3	uruperbat	2
4	сунж	2
5	тайдуланың	2
6	гидразинді	2
7	монопропеллент	2
8	оксазиридин	2
9	гидразон	2
10	расшиг	2

Zipf's Law Analysis

Metric	Value
Zipf Coefficient	1.0557
R² (Goodness of Fit)	0.990942
Adherence Quality	excellent

Coverage Analysis

Top N Words	Coverage
Top 100	21.8%
Top 1,000	51.8%
Top 5,000	71.0%
Top 10,000	78.1%

Key Findings

• Zipf Compliance: R²=0.9909 indicates excellent adherence to Zipf's law
• High Frequency Dominance: Top 100 words cover 21.8% of corpus
• Long Tail: 528,078 words needed for remaining 21.9% 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	0.7010 🏆	0.3649	N/A	N/A
mono_64d	64	0.6917	0.2922	N/A	N/A
mono_128d	128	0.6268	0.2367	N/A	N/A
aligned_32d	32	0.7010	0.3419	0.0560	0.2380
aligned_64d	64	0.6917	0.3003	0.0880	0.3400
aligned_128d	128	0.6268	0.2449	0.1360	0.4220

Key Findings

• Best Isotropy: mono_32d with 0.7010 (more uniform distribution)
• Semantic Density: Average pairwise similarity of 0.2968. Lower values indicate better semantic separation.
• Alignment Quality: Aligned models achieve up to 13.6% 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	0.788	High formulaic/idiomatic 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
-к	капитолийге, күнделекті, кердер
-а	анжервиль, айлазан, айвазовскийдің
-с	саттарұлы, сыйларға, суасты
-т	тұншықтырғыш, тоғысып, түйеқус
-б	бапанға, бәсекеде, бүркітбайқызы
-ма	маңыздылығының, массей, макияж
-м	мустафи, маңыздылығының, миклошич
-ба	бапанға, байқапады, бағамдауға

Productive Suffixes

Suffix	Examples
-н	десверн, ландшафтардан, жасақпен
-ң	фараонның, маңыздылығының, рецепторлардың
-ың	фараонның, маңыздылығының, рецепторлардың
-а	бапанға, диадема, сыйларға
-ы	бүркітбайқызы, саттарұлы, байқапады
-ен	жасақпен, цилиндрлермен, виннинген
-ің	кезеіңнің, сөздернің, айвазовскийдің
-р	кердер, селолар, бундшылар

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
ықта	1.51x	733 contexts	иықта, тықта, лықта
рыны	2.01x	96 contexts	арыны, орыны, рының
ндер	1.52x	395 contexts	үндер, өндер, әндер
імет	2.09x	59 contexts	окімет, ұкімет, үкімет
сынд	1.64x	169 contexts	сында, сынды, ұсында
здер	1.57x	168 contexts	іздер, өздер, ездер
ндағ	1.71x	110 contexts	ндағы, андағы, ындағы
метт	1.65x	109 contexts	метте, аметт, шометт
йынш	2.32x	25 contexts	йынша, ойыншы, ойынша
рнал	1.66x	88 contexts	арнал, арналы, журнал
ұрғы	1.83x	56 contexts	ұрғыр, тұрғы, бұрғы
рекк	2.39x	21 contexts	рекко, рекки, трекке

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
-т	-н	114 words	температурадан, табумен
-с	-н	106 words	станциясымен, сутектермен
-а	-ы	97 words	айтқалиұлы, автомобилды
-к	-н	96 words	көміртектен, киімінеарналған
-б	-н	92 words	билерден, боксшысымен
-а	-н	89 words	алуандығымен, албин
-а	-а	82 words	ангкорға, атерома
-с	-а	81 words	снежана, сангина
-т	-а	78 words	транскрипциясына, тактикаға
-к	-а	75 words	канайма, колхозшыларда

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
дастаннан	дастан-н-ан	7.5	н
миллиарда	милли-ар-да	7.5	ар
хайпудырская	хайпудырск-а-я	7.5	а
сағынтаев	сағынта-е-в	7.5	е
ақсүңқарға	ақсүңқ-ар-ға	7.5	ар
жанрларын	жанрл-ар-ын	7.5	ар
тураланады	турала-на-ды	7.5	на
сарыжомарт	сарыжом-ар-т	7.5	ар
кодексінде	кодексі-н-де	7.5	н
экономикамен	экономика-м-ен	7.5	м
вулверхэмптонға	вулверхэмпто-н-ға	7.5	н
империума	империу-м-а	7.5	м
гидротехниканың	гидротехник-ан-ың	6.0	гидротехник
капитанға	капит-ан-ға	6.0	капит
алматыдан	алматы-да-н	6.0	алматы

6.6 Linguistic Interpretation

Automated Insight: The language Kazakh shows high morphological productivity. The subword models are significantly more efficient than word models, suggesting a rich system of affixation or compounding.

Note on Idiomaticity: The high Idiomaticity Gap suggests a large number of frequent multi-word expressions or formulaic sequences that are statistically distinct from their component parts.

---

7. Summary & Recommendations

Production Recommendations

Component	Recommended	Rationale
Tokenizer	64k BPE	Best compression (4.98x)
N-gram	2-gram	Lowest perplexity (408)
Markov	Context-4	Highest predictability (97.2%)
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

1. Compare within model families: Metrics are most meaningful when comparing models of the same type (e.g., 8k vs 64k tokenizer).
2. Consider trade-offs: Better performance on one metric often comes at the cost of another (e.g., compression vs. OOV rate).
3. Context matters: Optimal values depend on downstream tasks. Text generation may prioritize different metrics than classification.
4. Corpus influence: All metrics are influenced by corpus characteristics. Wikipedia text differs from social media or literature.
5. 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

Omar Kamali - Omneity Labs

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 11:23:46