wikilangs/my

Burmese - Wikilangs Models

Comprehensive Research Report & Full Ablation Study

This repository contains NLP models trained and evaluated by Wikilangs, specifically on Burmese 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	4.094x	4.09	0.0581%	1,838,036
16k	4.637x	4.64	0.0658%	1,622,639
32k	5.147x	5.15	0.0731%	1,461,988
64k	5.618x 🏆	5.62	0.0797%	1,339,281

Tokenization Examples

Below are sample sentences tokenized with each vocabulary size:

Sample 1: လက်ပန်ကွင်းရွာ၊ လက်ပန်ကွင်း ကိုးကား ရွာများ ရွာများ

Vocab	Tokens	Count
8k	▁လက်ပန် ကွင်းရွာ၊ ▁လက်ပန် ကွင်း ▁ကိုးကား ▁ရွာများ ▁ရွာများ	7
16k	▁လက်ပန် ကွင်းရွာ၊ ▁လက်ပန် ကွင်း ▁ကိုးကား ▁ရွာများ ▁ရွာများ	7
32k	▁လက်ပန် ကွင်းရွာ၊ ▁လက်ပန် ကွင်း ▁ကိုးကား ▁ရွာများ ▁ရွာများ	7
64k	▁လက်ပန် ကွင်းရွာ၊ ▁လက်ပန် ကွင်း ▁ကိုးကား ▁ရွာများ ▁ရွာများ	7

Sample 2: ကွင်းယားကုန်းရွာ၊ ဇငြွ်ပန်းကုန်း ကိုးကား ရွာများ ရွာများ

Vocab	Tokens	Count
8k	▁ကွင်း ယား ကုန်းရွာ၊ ▁ဇ ငြ ွ ် ပန်း ကုန်း ▁ကိုးကား ... (+2 more)	12
16k	▁ကွင်းယား ကုန်းရွာ၊ ▁ဇ ငြ ွ ် ပန်းကုန်း ▁ကိုးကား ▁ရွာများ ▁ရွာများ	10
32k	▁ကွင်းယား ကုန်းရွာ၊ ▁ဇငြွ်ပန်းကုန်း ▁ကိုးကား ▁ရွာများ ▁ရွာများ	6
64k	▁ကွင်းယား ကုန်းရွာ၊ ▁ဇငြွ်ပန်းကုန်း ▁ကိုးကား ▁ရွာများ ▁ရွာများ	6

Sample 3: ထီတိုလိုအဖျားရွာ၊ ထီတိုလို ကိုးကား ရွာများ ရွာများ

Vocab	Tokens	Count
8k	▁ထ ီတ ိုလို အ ဖျား ရွာ၊ ▁ထ ီတ ိုလို ▁ကိုးကား ... (+2 more)	12
16k	▁ထ ီတ ိုလို အဖျား ရွာ၊ ▁ထ ီတ ိုလို ▁ကိုးကား ▁ရွာများ ... (+1 more)	11
32k	▁ထီတ ိုလို အဖျား ရွာ၊ ▁ထီတ ိုလို ▁ကိုးကား ▁ရွာများ ▁ရွာများ	9
64k	▁ထီတ ိုလို အဖျား ရွာ၊ ▁ထီတ ိုလို ▁ကိုးကား ▁ရွာများ ▁ရွာများ	9

Key Findings

• Best Compression: 64k achieves 5.618x compression
• Lowest UNK Rate: 8k with 0.0581% 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	8,831	13.11	97,119	30.8%	47.6%
2-gram	Subword	1,887 🏆	10.88	72,847	36.4%	73.5%
3-gram	Word	9,813	13.26	126,512	31.4%	48.2%
3-gram	Subword	17,172	14.07	481,303	16.6%	40.4%
4-gram	Word	30,676	14.90	264,000	23.6%	36.4%
4-gram	Subword	90,180	16.46	1,884,383	10.1%	25.4%
5-gram	Word	39,876	15.28	238,225	20.9%	31.1%
5-gram	Subword	269,959	18.04	3,576,330	8.2%	18.7%

Top 5 N-grams by Size

2-grams (Word):

Rank	N-gram	Count
1	ကိုးကား ရွာများ	58,566
2	ရွာနေရာကုတ်မှာ ဖြစ်သည်	51,588
3	တည်ရှိသည် ရွာနေရာကုတ်မှာ	51,568
4	ဖြစ်သည် သန်းခေါင်စာရင်းအရ	37,043
5	ဦး မ	36,542

3-grams (Word):

Rank	N-gram	Count
1	တည်ရှိသည် ရွာနေရာကုတ်မှာ ဖြစ်သည်	51,563
2	ရွာနေရာကုတ်မှာ ဖြစ်သည် သန်းခေါင်စာရင်းအရ	36,945
3	ဦး လူဦးရေ စုစုပေါင်း	34,572
4	လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည်	28,628
5	ဦးနေထိုင်သည် ကိုးကား ရွာများ	27,771

4-grams (Word):

Rank	N-gram	Count
1	တည်ရှိသည် ရွာနေရာကုတ်မှာ ဖြစ်သည် သန်းခေါင်စာရင်းအရ	36,927
2	ဦး လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည်	28,628
3	လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား	25,411
4	စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား ရွာများ	25,261
5	မ ဦး လူဦးရေ စုစုပေါင်း	22,994

5-grams (Word):

Rank	N-gram	Count
1	ဦး လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား	25,411
2	လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား ရွာများ	25,261
3	ဦး မ ဦး လူဦးရေ စုစုပေါင်း	22,994
4	မ ဦး လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည်	21,852
5	ကျား ဦး မ ဦး လူဦးရေ	21,303

2-grams (Subword):

Rank	N-gram	Count
1	ာ း	1,540,592
2	င် း	1,127,081
3	သ ည်	1,053,771
4	း _	1,020,236
5	။ _	832,045

3-grams (Subword):

Rank	N-gram	Count
1	သ ည် ။	647,008
2	ည် ။ _	635,498
3	မျ ာ း	557,792
4	ာ း _	379,277
5	သ ည် _	308,511

4-grams (Subword):

Rank	N-gram	Count
1	သ ည် ။ _	626,895
2	ဖြ စ် သ ည်	152,777
3	စ် သ ည် ။	146,842
4	း မျ ာ း	134,710
5	မျ ာ း _	123,549

5-grams (Subword):

Rank	N-gram	Count
1	ဖြ စ် သ ည် ။	146,362
2	စ် သ ည် ။ _	143,004
3	_ ဖြ စ် သ ည်	102,596
4	ခဲ့ သ ည် ။ _	101,218
5	း ရွ ာ အု ပ်	99,853

Key Findings

• Best Perplexity: 2-gram (subword) with 1,887
• Entropy Trend: Decreases with larger n-grams (more predictable)
• Coverage: Top-1000 patterns cover ~19% 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	0.3898	1.310	2.70	2,269,123	61.0%
1	Subword	1.1880	2.278	16.40	12,091	0.0%
2	Word	0.0846	1.060	1.16	6,111,017	91.5%
2	Subword	0.7455	1.677	6.00	198,292	25.5%
3	Word	0.0245	1.017	1.04	7,076,304	97.5%
3	Subword	0.5456	1.460	3.39	1,190,344	45.4%
4	Word	0.0104 🏆	1.007	1.02	7,324,998	99.0%
4	Subword	0.4066	1.326	2.29	4,039,178	59.3%

Generated Text Samples (Word-based)

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

Context Size 1:

1. ဖြစ်သည် ဒါဘန်မြို့ကြီးဒေသသည် တောင်အာဖရိကတွင် နယ်လ်ဆင်မင်ဒဲလားနှင့် တွေ့ဆုံခဲ့ပြီး ကောင်းကင်တမန်များန...
2. သည် မကွေးတိုင်းဒေသကြီး မင်းဘူးခရိုင် ကုန်ကူးသန်းရောင်းဝယ်ရေးအတွက် အရေးပါသောဆိပ်ကမ်းမြို့ဖြစ်လေသည် သင...
3. ဦး လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား ရွာများ ရွာများ ရွာများ ရွာများ ရွာများ ရွာများ ရွာများ ရွ...

Context Size 2:

1. ရွာနေရာကုတ်မှာ ဖြစ်သည် ၁၄ ဂိုး mohammad al sahlawi မန်နေဂျာ juan antonio gk 1 igor akinfeev c rb 2
2. တည်ရှိသည် ရွာနေရာကုတ်မှာ ဖြစ်သည် ကိုးကား ဘူတာရုံများ ဘူတာရုံများ
3. ဖြစ်သည် သန်းခေါင်စာရင်းအရ လိန်တောကျေးရွာအုပ်စုတွင် ကျား ဦး မ ၅၈၈ ဦး လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် က...

Context Size 3:

1. တည်ရှိသည် ရွာနေရာကုတ်မှာ ဖြစ်သည် ကိုးကား ရွာများ ရွာများ ပြိုင်းချောင်းရွာ ကိုးကား ရွာများ ရွာများ စ...
2. ရွာနေရာကုတ်မှာ ဖြစ်သည် သန်းခေါင်စာရင်းအရ ကော့လှိုင်ကျေးရွာအုပ်စုတွင် ကျား ဦး မ ဦး လူဦးရေ စုစုပေါင်း ...
3. ဦး လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား ရွာများ ကျားသားလေးများ နေထိုင်ရာ အအိုဆေး အပျိုဆေး ရှိ

Context Size 4:

1. တည်ရှိသည် ရွာနေရာကုတ်မှာ ဖြစ်သည် သန်းခေါင်စာရင်းအရ ကဝါးပန်းကျေးရွာအုပ်စုတွင် ကျား ၆၁ ဦး မ ၅၈ ဦး လူဦး...
2. ဦး လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား ရွာများ ကျားသားလေးများ နေထိုင်ရာ အအိုဆေး အပျိုဆေး ရှိ
3. လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား ရွာများ ကျားသားလေးများ နေထိုင်ရာ အအိုဆေး အပျိုဆေး ရှိ

Generated Text Samples (Subword-based)

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

Context Size 1:

1. _ကာခဲ့သဖြစ်ဇဘာအုပ်ငန်းချွ
2. း၊_ဆန်း_ပညာနာ_နှင့်_
3. ာင်းလ)သည်ရှိခဲ့ပြီ_နာတ်_မ

Context Size 2:

1. ား_လူဦးနေ_အမေရိကန်တောက်ထု
2. င်းပါမောင်ရွာအုပ်စု၌_အပိုင်
3. သည်_အလယ်လုပ်ကိုင်_ဘာသည်။_

Context Size 3:

1. သည်။_ကိုးကား_ကိုယ်ပိုင်သီချင်း
2. ည်။_ရွာများ_ဓားရှာဖွေတွေ့ရှိနို
3. များ)_အလယ်တန်းကျေးဇူးကြောင်

Context Size 4:

1. သည်။_6|39|_စင်စစ်_ဖြစ်ပြီး
2. ဖြစ်သည်။_ဒွတ္တပေါင်မင်းကြီးကျေးရွ
3. စ်သည်။_ယနေ့ခေတ်၏_အိပ်ရာခင်းပြီ

Key Findings

• Best Predictability: Context-4 (word) with 99.0% predictability
• Branching Factor: Decreases with context size (more deterministic)
• Memory Trade-off: Larger contexts require more storage (4,039,178 contexts)
• Recommendation: Context-3 or Context-4 for text generation

---

4. Vocabulary Analysis

Statistics

Metric	Value
Vocabulary Size	535,794
Total Tokens	7,184,049
Mean Frequency	13.41
Median Frequency	3
Frequency Std Dev	366.75

Most Common Words

Rank	Word	Frequency
1	ဖြစ်သည်	101,666
2	သည်	96,325
3	ကိုးကား	92,437
4	ဦး	83,872
5	ရွာများ	67,205
6	ရက်	60,957
7	တည်ရှိသည်	57,556
8	ရွာနေရာကုတ်မှာ	51,593
9	နှင့်	40,151
10	မ	38,196

Least Common Words (from vocabulary)

Rank	Word	Frequency
1	ကျောက်ကြီးမြို့နယ်အတွင်းရှိ	2
2	ယမတိုခဆွတ်ရဂိတောင်	2
3	ခအိနတောင်	2
4	ခမိုတောင်	2
5	တန်းရှင်းတောင်	2
6	ရှိနိုဂတောင်ထိပ်	2
7	ယောဆွတ်ဘတို	2
8	ယောဆွတ်ဘ	2
9	1xbet	2
10	seppiko	2

Zipf's Law Analysis

Metric	Value
Zipf Coefficient	0.8889
R² (Goodness of Fit)	0.998993
Adherence Quality	excellent

Coverage Analysis

Top N Words	Coverage
Top 100	22.8%
Top 1,000	38.0%
Top 5,000	52.0%
Top 10,000	58.7%

Key Findings

• Zipf Compliance: R²=0.9990 indicates excellent adherence to Zipf's law
• High Frequency Dominance: Top 100 words cover 22.8% of corpus
• Long Tail: 525,794 words needed for remaining 41.3% 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	0.6749	0.3233	N/A	N/A
mono_64d	64	0.6458	0.2438	N/A	N/A
mono_128d	128	0.6934	0.1709	N/A	N/A
aligned_32d	32	0.6749	0.3433	0.0640	0.3360
aligned_64d	64	0.6458	0.2465	0.1420	0.4260
aligned_128d	128	0.6934 🏆	0.1662	0.2060	0.5080

Key Findings

• Best Isotropy: aligned_128d with 0.6934 (more uniform distribution)
• Semantic Density: Average pairwise similarity of 0.2490. Lower values indicate better semantic separation.
• Alignment Quality: Aligned models achieve up to 20.6% 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	0.664	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
-အ	အလားတူလင့်ခ်များ, အလက်စကားပြည်နယ်, အလ္လာဟ်
-မ	မေးမြန်းလျက်, မဟာသုတသောမဇာတ်အဆုံး, မသိစေရန်
-က	ကက်စတီးပြည်နယ်ကို, ကံသစ်ကျေးရွာအုပ်စု, ကိလေသာဝဋ်
-သ	သုံးရက်မြောက်နေ့တွင်, သံဃာ့ဆေးရုံ, သက်ဝင်ယုံကြည်မှု
-ပ	ပုဂံနေပြည်တော်သို့, ပြစ်မှုအမျိုးအစားပေါ်မူတည်, ပစ္စည်းများစွာ
-တ	တင်းနစ်နှင့်, တစ်ယောက်နဲ့, တက်လာသည်
-ရ	ရူသာဖို့ဒ်က, ရွေးကောက်ပွဲကျင်းပခဲ့သည်, ရိုးရာသည်
-လ	လေ့ရှိပေသည်, လှုပ်ခါမှုကို, လိုချင်သည့်

Productive Suffixes

Suffix	Examples
-က	ရူသာဖို့ဒ်က, အလက, သိဝက
-s	investments, watsons, hispidissimus
-e	capacitance, stéphane, awardsfavorite
-n	balujun, maccabean, မိုဘိုင်းvpn
-ရ	နိဗ္ဗာန်ရ, ဘဒ္ဒန္တဉာဏိဿရ, ာက်ရ
-a	ghulja, kinema, ida
-ng	retracing, chantanayingyong, luang
-on	relation, washinton, baryon

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
ment	3.58x	41 contexts	ament, ement, mental
tion	3.31x	50 contexts	tiong, notion, option
nter	3.41x	44 contexts	inter, enter, center
atio	3.41x	39 contexts	ratio, nation, cations
inte	3.45x	34 contexts	inter, intel, intent
vers	3.09x	50 contexts	versa, verse, versed
iona	3.50x	15 contexts	fiona, dionaea, nasional
onal	3.46x	9 contexts	tonal, donald, ronald

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
-အ	-က	26 words	အချို့ကတည်းက, အင်အားကြီးသူများက
-ပ	-က	18 words	ပေါထုဇ္ဇနိက, ပဒေသရာဇ်ခေတ်က
-မ	-က	17 words	မန္ဒာယုက, မြန်မာကလေးများက
-ရ	-က	17 words	ရှူမိပါက, ရေနံကုမ္ပဏီများက
-အ	-ရ	9 words	အဋ္ဌင်္ဂိကဝါရ, အဘိဓမ္မာဝတာရ
-က	-က	8 words	ကလိဗ်လန်းက, ကိုဘဟိန်းက
-စ	-က	8 words	စကြာမင်းဖြစ်စဉ်က, စာရေးသူများက
-တ	-က	8 words	တတိယပါရာဇိက, တက္ကသိုလ်ဆရာတစ်ဦးက
-သ	-ရ	7 words	သတ္တင်္ဂုတ္တရ, သတ္တန္တရ
-လ	-က	7 words	လက်ခံနိုင်ပါက, လက်ဝဲနော်ရထာအမတ်က

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
မနှစ်သက်ကြသဖြင့်	မ-နှစ်သက်ကြသဖြင့်	4.5	နှစ်သက်ကြသဖြင့်
အဆောင်အဖြစ်	အ-ဆောင်အဖြစ်	4.5	ဆောင်အဖြစ်
ဝတ္ထုတိုဆုနှင့်	ဝ-တ-္ထုတိုဆုနှင့်	4.5	္ထုတိုဆုနှင့်
လတွင်လည်းကောင်း	လ-တွင်လည်းကောင်း	4.5	တွင်လည်းကောင်း
တိုင်းတာမှုအရ	တိုင်းတာမှု-အရ	4.5	တိုင်းတာမှု
နစ်နာရသည်	န-စ-်နာရသည်	4.5	်နာရသည်
မအောင်မြင်ခဲ့	မ-အောင်မြင်ခဲ့	4.5	အောင်မြင်ခဲ့
cardinals	cardinal-s	4.5	cardinal
နဂါးမောက်	န-ဂ-ါးမောက်	4.5	ါးမောက်
လက်ဝှေ့ပညာ	လ-က-်ဝှေ့ပညာ	4.5	်ဝှေ့ပညာ
ကျိုက်လတ်မြို့က	ကျိုက်လတ်မြို့-က	4.5	ကျိုက်လတ်မြို့
အစာတို့တွင်	အ-စာတို့တွင်	4.5	စာတို့တွင်
စကားတော်များကို	စ-က-ားတော်များကို	4.5	ားတော်များကို
တယ်လီဖပ်စ်က	တယ်လီဖပ်စ်-က	4.5	တယ်လီဖပ်စ်
ဆယ်ယူပြီး	ဆ-ယ-်ယူပြီး	4.5	်ယူပြီး

6.6 Linguistic Interpretation

Automated Insight: The language Burmese 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 (5.62x)
N-gram	2-gram	Lowest perplexity (1,887)
Markov	Context-4	Highest predictability (99.0%)
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

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 15:48:31