wikilangs/rki

Rakhine - Wikilangs Models

Comprehensive Research Report & Full Ablation Study

This repository contains NLP models trained and evaluated by Wikilangs, specifically on Rakhine 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	3.940x	3.94	0.1358%	871,776
16k	4.360x	4.36	0.1503%	787,889
32k	4.558x	4.56	0.1571%	753,628
64k	4.868x 🏆	4.87	0.1678%	705,565

Tokenization Examples

Below are sample sentences tokenized with each vocabulary size:

Sample 1: နို့လက်ဖက်ရည် (အင်္ဂလိပ်: milk tea) ရေ လက်ဖက်ရည်နန့် နွားနို့နန့် ပြုလုပ်ထားရေ ဖ...

Vocab	Tokens	Count
8k	▁နို့ လက် ဖက်ရည် ▁( အင်္ဂလိပ် : ▁m il k ▁t ... (+16 more)	26
16k	▁နို့ လက်ဖက်ရည် ▁( အင်္ဂလိပ် : ▁m il k ▁t e ... (+12 more)	22
32k	▁နို့လက်ဖက်ရည် ▁( အင်္ဂလိပ် : ▁m il k ▁t e a ... (+10 more)	20
64k	▁နို့လက်ဖက်ရည် ▁( အင်္ဂလိပ် : ▁milk ▁tea ) ▁ရေ ▁လက်ဖက်ရည်နန့် ▁နွားနို့နန့် ... (+3 more)	13

Sample 2: ပုလဲနို့လက်ဖက်ရည် (တရုတ်: 珍珠奶茶) ဆိုရေမှာ ထိုင်ဝမ်တွင် လူကြိုက်များရေ လက်ဖက်ရည်အအ...

Vocab	Tokens	Count
8k	▁ပုလဲ နို့ လက် ဖက်ရည် ▁( တရုတ် : ▁ 珍珠奶茶 ) ... (+20 more)	30
16k	▁ပုလဲ နို့ လက်ဖက်ရည် ▁( တရုတ် : ▁ 珍珠奶茶 ) ▁ဆိုရေမှာ ... (+14 more)	24
32k	▁ပုလဲ နို့လက်ဖက်ရည် ▁( တရုတ် : ▁ 珍珠奶茶 ) ▁ဆိုရေမှာ ▁ထိုင်ဝ ... (+11 more)	21
64k	▁ပုလဲ နို့လက်ဖက်ရည် ▁( တရုတ် : ▁ 珍珠奶茶 ) ▁ဆိုရေမှာ ▁ထိုင်ဝမ်တွင် ... (+7 more)	17

Sample 3: ကိုယ်ရေးအကျဉ်း အလုပ်အကိုင် ဂီတလမ်းကြောင်း အယ်လ်ဘမ်တိ Single သီချင်းတိ ပါဝင်သီဆို...

Vocab	Tokens	Count
8k	▁ကိုယ်ရေးအကျဉ်း ▁အလုပ်အကိုင် ▁ဂီတ လမ်းကြောင်း ▁အယ်လ် ဘမ်တိ ▁s ing le ▁သီချင်းတိ ... (+9 more)	19
16k	▁ကိုယ်ရေးအကျဉ်း ▁အလုပ်အကိုင် ▁ဂီတလမ်းကြောင်း ▁အယ်လ်ဘမ်တိ ▁single ▁သီချင်းတိ ▁ပါဝင်သီဆိုဖူးရေ ▁သီချင်းတိ ▁ကိုးကား ▁ပြင်ပလင့် ... (+2 more)	12
32k	▁ကိုယ်ရေးအကျဉ်း ▁အလုပ်အကိုင် ▁ဂီတလမ်းကြောင်း ▁အယ်လ်ဘမ်တိ ▁single ▁သီချင်းတိ ▁ပါဝင်သီဆိုဖူးရေ ▁သီချင်းတိ ▁ကိုးကား ▁ပြင်ပလင့် ... (+1 more)	11
64k	▁ကိုယ်ရေးအကျဉ်း ▁အလုပ်အကိုင် ▁ဂီတလမ်းကြောင်း ▁အယ်လ်ဘမ်တိ ▁single ▁သီချင်းတိ ▁ပါဝင်သီဆိုဖူးရေ ▁သီချင်းတိ ▁ကိုးကား ▁ပြင်ပလင့် ... (+1 more)	11

Key Findings

• Best Compression: 64k achieves 4.868x compression
• Lowest UNK Rate: 8k with 0.1358% 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	2,475	11.27	3,711	18.7%	59.1%
2-gram	Subword	1,997 🏆	10.96	21,097	35.0%	70.8%
3-gram	Word	3,510	11.78	5,274	15.1%	51.1%
3-gram	Subword	16,910	14.05	105,452	13.3%	36.3%
4-gram	Word	13,278	13.70	18,246	8.0%	25.9%
4-gram	Subword	74,444	16.18	313,099	6.3%	19.3%
5-gram	Word	12,446	13.60	16,164	7.7%	25.0%
5-gram	Subword	151,855	17.21	428,759	3.6%	12.6%

Top 5 N-grams by Size

2-grams (Word):

Rank	N-gram	Count
1	တွီးတောမှု သံသယကုက္ကုစ္စ	226
2	ဒုက္ကဋ်အာပတ် သင့်	225
3	ပါရာဇိကအာပတ် သင့်ဧ့	217
4	ပ ရဟန်း	216
5	အယင်ခေါက်ကခါ ရဟန်းတစ်ပါးစွာ	203

3-grams (Word):

Rank	N-gram	Count
1	ထိုရဟန်းအား တွီးတောမှု သံသယကုက္ကုစ္စ	178
2	သံသယကုက္ကုစ္စ ဖြစ်ဧ့ ပ	172
3	တွီးတောမှု သံသယကုက္ကုစ္စ ဖြစ်ဧ့	144
4	ဖြစ်ဧ့ ပ ရဟန်း	142
5	မဟုတ်မမှန် ပြောဆိုရေ ရဟန်းအား	80

4-grams (Word):

Rank	N-gram	Count
1	တွီးတောမှု သံသယကုက္ကုစ္စ ဖြစ်ဧ့ ပ	135
2	သံသယကုက္ကုစ္စ ဖြစ်ဧ့ ပ ရဟန်း	128
3	ထိုရဟန်းအား တွီးတောမှု သံသယကုက္ကုစ္စ ဖြစ်ဧ့	113
4	သံသယကုက္ကုစ္စ ဖြိုက်ဧ့ ပ ရဟန်း	67
5	ရှေးဟောင်းအဆောက်အဦးများ ရှေးဟောင်းသုတေသနနှင့် အမျိုးသားပြတိုက်ဦးစီးဌာန ယဉ်ကျေးမူဝန်ကြီးဌာန	66

5-grams (Word):

Rank	N-gram	Count
1	ထိုရဟန်းအား တွီးတောမှု သံသယကုက္ကုစ္စ ဖြစ်ဧ့ ပ	110
2	တွီးတောမှု သံသယကုက္ကုစ္စ ဖြစ်ဧ့ ပ ရဟန်း	93
3	ကိုးကား မြောက်ဦးဒေသ ရှေးဟောင်းအဆောက်အဦးများ ရှေးဟောင်းသုတေသနနှင့် အမျိုးသားပြတိုက်ဦးစီးဌာန	66
4	ရှေးဟောင်းအဆောက်အဦးများ ရှေးဟောင်းသုတေသနနှင့် အမျိုးသားပြတိုက်ဦးစီးဌာန ယဉ်ကျေးမူဝန်ကြီးဌာန ပုထိုးတော်တိ	66
5	မြောက်ဦးဒေသ ရှေးဟောင်းအဆောက်အဦးများ ရှေးဟောင်းသုတေသနနှင့် အမျိုးသားပြတိုက်ဦးစီးဌာန ယဉ်ကျေးမူဝန်ကြီးဌာန	66

2-grams (Subword):

Rank	N-gram	Count
1	င် း	70,638
2	ာ း	65,449
3	_ အ	56,551
4	။ _	52,197
5	း _	50,866

3-grams (Subword):

Rank	N-gram	Count
1	ရေ ။ _	31,071
2	ာ င် း	18,078
3	တွ င် _	14,734
4	န န့် _	14,037
5	ာ း _	12,271

4-grams (Subword):

Rank	N-gram	Count
1	လ ည် း _	6,741
2	ရ ဟ န် း	5,765
3	ကေ ာ င် း	5,150
4	ဖြ စ် ရေ ။	4,615
5	စ် ရေ ။ _	4,465

5-grams (Subword):

Rank	N-gram	Count
1	ဖြ စ် ရေ ။ _	4,438
2	_ ရ ဟ န် း	3,712
3	ပ ါ ရေ ။ _	3,105
4	က တ် ရေ ။ _	2,654
5	_ ဖြ စ် ရေ ။	2,073

Key Findings

• Best Perplexity: 2-gram (subword) with 1,997
• Entropy Trend: Decreases with larger n-grams (more predictable)
• Coverage: Top-1000 patterns cover ~13% 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	0.2818	1.216	1.76	243,192	71.8%
1	Subword	1.4978	2.824	24.80	2,290	0.0%
2	Word	0.0459	1.032	1.07	427,212	95.4%
2	Subword	0.7632	1.697	5.15	56,790	23.7%
3	Word	0.0165	1.012	1.02	454,829	98.3%
3	Subword	0.4942	1.409	2.68	292,573	50.6%
4	Word	0.0100 🏆	1.007	1.01	463,846	99.0%
4	Subword	0.3219	1.250	1.80	783,810	67.8%

Generated Text Samples (Word-based)

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

Context Size 1:

1. နန့် ဝဇီရာကိလာယ vajrakilaya ရို့ပါဝင်လီရေ ဒါကီနီတိ dakini ကောင်းကင်သို့ကြွလှမ်းသူ ရေ ဒေဝိဉာဉ်သဘာဝကနေ...
2. ဖြစ်ရေ အာရုံခံကိရိယာတိကို နေ့စဉ်သုံး အရာဝတ္ထုတိတွင် အကန့်အသတ်ဖြင့်သာ အသုံးချနိုင်ရေ ကိုးကား နိုင်ငံတ...
3. ရေ ဖိုင်တိကို ဖလှယ်နိုင်ပြီးကေ ဝီမျှရန် ဝှိုက်ဘုတ် ပေါ်တွင်ရီးဆွဲခြင်း ယပိုင်မဟုတ်ကေ ဘောင်နီရာအကျယ်အ...

Context Size 2:

1. တွီးတောမှု သံသယကုက္ကုစ္စ ဖြစ်ဧ့ ပ ရဟန်း သင်စွာ ပါရာဇိက ကျယာလို့ မိန့်တော်မှုဧ့ ၁၁၆ ၁၅၆ အယင်ခေါက်ကခါ ...
2. ဒုက္ကဋ်အာပတ် သင့် ပ အကြောင်းသုံးမျိုးရို့နန့် မသိစွာကို ငါစွာ သိလည်း သိ မြင်လည်း မြင်ရေဟု ပ အကြောင်း...
3. ပါရာဇိကအာပတ် သင့်ဧ့ အချိန်းအချက်လုပ်ခြင်း ဆိုစော် စစောပင်ဖြစ်စီ ညနိန်ချမ်းပင်ဖြစ်စီ ညဉ့်ပင်ဖြစ်စီ နိ...

Context Size 3:

1. ထိုရဟန်းအား တွီးတောမှု သံသယကုက္ကုစ္စ ဖြစ်ဧ့ ပ ရဟန်း ပါရာဇိကအာပတ် မသင့် ဒုက္ကဋ်အာပတ် သင့်ဧ့လို့ မိန့်...
2. သံသယကုက္ကုစ္စ ဖြစ်ဧ့ ပ ရဟန်းရို့ ပါရာဇိကအာပတ် မသင့်လို့ မိန့်တော်မူဧ့ ၆၉ အယင်ခေါက်ကခါ သတ္တရသဝဂ္ဂီရဟန...
3. တွီးတောမှု သံသယကုက္ကုစ္စ ဖြစ်ဧ့ ပ ရဟန်း သင်စွာ ပါရာဇိက ကျယာလို့ မိန့်တော်မူဧ့ ၆၅ အယင်ခေါက်ကခါ ဝမ်းကြ...

Context Size 4:

1. တွီးတောမှု သံသယကုက္ကုစ္စ ဖြစ်ဧ့ ပ ရဟန်း သင်စွာ ပါရာဇိက ကျယာလို့ မိန့်တော်မူဧ့ ၄၆ အယင်ခေါက်ကခါ ရဟန်းတ...
2. သံသယကုက္ကုစ္စ ဖြစ်ဧ့ ပ ရဟန်း သင်စွာပါရာဇိက ကျယာလို့ မိန့်တော်မူဧ့ ၁၁၅ အယင်ခေါက်ကခါ ရဟန်းတစ်ပါးစွာ မြ...
3. ထိုရဟန်းအား တွီးတောမှု သံသယကုက္ကုစ္စ ဖြစ်ဧ့ ပ ရဟန်း သင်စွာ ပါရာဇိက ကျရာလို့ မိန့်တော်မူဧ့ ၈၆ ဝိနီတဝထ...

Generated Text Samples (Subword-based)

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

Context Size 1:

1. _ဆည်းအတွင်ထက်နန့်_အသျှင်ဒို
2. းလျှပ်ရို့ဖြစ်ခေါ်ရာင်းကိုအတွဲပ
3. ားရေ။_ဇာ_သင့်ရန်ကြီးတိန

Context Size 2:

1. င်းဆောင်း၌_သူဆင်း_ဖြစ်ပြော
2. ားရေးနှင့်လှောင်ထူထပ်ကမ်းမှုအ
3. _အလာက_ဟဲ့_မိမိကိုယ်_စေတီ_ဒွ

Context Size 3:

1. ရေ။_ကူးစက်တိနန့်_ရွိ့လျားလည်း
2. ာင်းကို_တိစွာလဲ။_အမှတ်အသစ်တိ
3. တွင်_ရှီးကရက်ဒေါက်တာဆွန်ယက်တိ

Context Size 4:

1. လည်း_နန့်_မျက်နှာလည်း_ကျရုံသာ
2. ရဟန်းဘောင်ပေါ်သတင်း_(wave
3. ကောင်းလေးမျက်နှာပြင်တစ်ခုဖြစ်၍_

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 (783,810 contexts)
• Recommendation: Context-3 or Context-4 for text generation

---

4. Vocabulary Analysis

Statistics

Metric	Value
Vocabulary Size	47,832
Total Tokens	309,275
Mean Frequency	6.47
Median Frequency	3
Frequency Std Dev	31.95

Most Common Words

Rank	Word	Frequency
1	နန့်	2,540
2	ဖြစ်ရေ	2,301
3	ရေ	2,228
4	ဟု	1,547
5	ပ	1,498
6	ကို	1,222
7	ခုနှစ်	1,163
8	ကိုးကား	1,147
9	၁	1,146
10	ဟိရေ	1,132

Least Common Words (from vocabulary)

Rank	Word	Frequency
1	ရီကူးစွာပါရာဖြစ်ဖြစ်	2
2	asr	2
3	mothers	2
4	pdp	2
5	evans	2
6	မြောက်ဦးမြို့မာပင်	2
7	၁၉ရ၃	2
8	၁၉ရရ	2
9	၁၉၉ရ	2
10	စာနယ်ဇင်းအဖွဲ့တွင်	2

Zipf's Law Analysis

Metric	Value
Zipf Coefficient	0.8062
R² (Goodness of Fit)	0.995656
Adherence Quality	excellent

Coverage Analysis

Top N Words	Coverage
Top 100	15.9%
Top 1,000	35.9%
Top 5,000	57.4%
Top 10,000	68.4%

Key Findings

• Zipf Compliance: R²=0.9957 indicates excellent adherence to Zipf's law
• High Frequency Dominance: Top 100 words cover 15.9% of corpus
• Long Tail: 37,832 words needed for remaining 31.6% 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	0.8300 🏆	0.3077	N/A	N/A
mono_64d	64	0.7613	0.2695	N/A	N/A
mono_128d	128	0.3041	0.2391	N/A	N/A
aligned_32d	32	0.8300	0.3073	0.0260	0.1900
aligned_64d	64	0.7613	0.2529	0.0400	0.2280
aligned_128d	128	0.3041	0.2467	0.0940	0.3080

Key Findings

• Best Isotropy: mono_32d with 0.8300 (more uniform distribution)
• Semantic Density: Average pairwise similarity of 0.2705. Lower values indicate better semantic separation.
• Alignment Quality: Aligned models achieve up to 9.4% 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	0.985	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	အရှေ့ဘက်တွင်, အမြင့်ဆုံးနီရာမှာ, အဆင်း
-မ	မတွိ့သည်ကို, မိမမာ, မေထုန်အမှုတဲးလို့
-သ	သီရိဝိဇယဧ, သဗြုတ်သီးကို, သောတာပတ္တိဖိုလ်သို့
-ပ	ပရိုတင်းဓာတ်, ပြင်ရေ, ပြန်လာရေအခါ
-ရ	ရီဆိုးရီညစ်တိကို, ရာစုသစ်အလင်္ကာ, ရေပီးဝေရီး
-က	ကွန်ယက်ရေ, ကပ်ပနာ, ကွန်ယက်ချိတ်ဆက်မှု
-တ	တောင်း, တနင်္ဂနွေသားဖြစ်လျှင်, တိုင်းရင်းသားလူမျိုး
-လ	လက္ခဏ, လို့ပြောရာ, လူမှုဆက်ဆံရီး

Productive Suffixes

Suffix	Examples
-ဧ	သီရိဝိဇယဧ, နိုင်ငံစာချုပ်ဧ, ရခိုင်အမျိုးသားကောင်စီဧ
-က	ထိုစဉ်အခါက, ရဟန်းရို့က, ယင်းရို့က
-s	indus, forces, patients
-e	amplitude, made, initiative
-n	radiation, chain, transcription
-on	radiation, transcription, sanitation
-ရ	ဥပဒေအရ, လေ့လာမှုတိအရ, ပြောပြချက်အရ
-y	pty, viceroy, complexity

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
atio	2.95x	11 contexts	ratio, nation, nations
tion	2.92x	9 contexts	action, nation, motion

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	-ဧ	22 words	အမှုန်တိဧ, အုပ်ချုပ်သူရို့ဧ
-က	-ဧ	16 words	ကျယ်ဧ, ကော်မတီဧ
-မ	-က	11 words	မြာဒင်ထက်က, မိဖုရားက
-အ	-က	11 words	အုပ်ချုပ်သူတိက, အာကာသက
-မ	-ဧ	10 words	မည်သည့်ကိန်းနှစ်ခုဧ, မျိုးရိုးဗီဇအင်ဂျင်နီယာဧ
-ရ	-က	8 words	ရသေ့ကြီးက, ရာစုခန့်က
-အ	-ရ	8 words	အနှစ်သာရ, အခြီအနီအရ
-သ	-ဧ	7 words	သဘာဝကိန်းစုဧ, သဘာဝတရားဧ
-တ	-က	7 words	တတိယပဏ္ဏာသက, တောင်အာဖရိက
-သ	-က	6 words	သံသယဟိပါက, သက္က

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
ဟွန်ရှူးကျွန်းဧ	ဟွန်ရှူးကျွန်း-ဧ	4.5	ဟွန်ရှူးကျွန်း
ခက်ခဲပြီး	ခ-က-်ခဲပြီး	4.5	်ခဲပြီး
စေတီတော်ဧ	စေတီတော်-ဧ	4.5	စေတီတော်
တရားကိုကေလေ့	တ-ရ-ားကိုကေလေ့	4.5	ားကိုကေလေ့
ခရီးထွက်ပြန်ရာ	ခ-ရ-ီးထွက်ပြန်ရာ	4.5	ီးထွက်ပြန်ရာ
ပြည့်နှစ်က	ပြည့်နှစ်-က	4.5	ပြည့်နှစ်
ဘဒ္ဒကမ္ဘာမှ	ဘ-ဒ-္ဒကမ္ဘာမှ	3.0	္ဒကမ္ဘာမှ
နတ်မြစ်ဧ့	န-တ-်မြစ်ဧ့	3.0	်မြစ်ဧ့
ရင်ကွဲနာနန့်	ရ-င-်ကွဲနာနန့်	3.0	်ကွဲနာနန့်
မလက်ကာအား	မ-လက-်ကာအား	3.0	်ကာအား
နတ်ရုပ်တိ	န-တ-်ရုပ်တိ	3.0	်ရုပ်တိ
အပေါ်သို့	အ-ပ-ေါ်သို့	3.0	ေါ်သို့
ဆန္ဒပြမှု	ဆ-န-္ဒပြမှု	3.0	္ဒပြမှု
ရဟိသဖြင့်	ရ-ဟ-ိသဖြင့်	3.0	ိသဖြင့်
ထိုနည်းကို	ထ-ိုနည်းကို	1.5	ိုနည်းကို

6.6 Linguistic Interpretation

Automated Insight: The language Rakhine 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 (4.87x)
N-gram	2-gram	Lowest perplexity (1,997)
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 18:35:21