Upload all models and assets for th (latest)

.gitattributes

@@ -33,3 +33,10 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+visualizations/embedding_similarity.png filter=lfs diff=lfs merge=lfs -text
+visualizations/embedding_tsne_multilingual.png filter=lfs diff=lfs merge=lfs -text
+visualizations/performance_dashboard.png filter=lfs diff=lfs merge=lfs -text
+visualizations/position_encoding_comparison.png filter=lfs diff=lfs merge=lfs -text
+visualizations/tsne_sentences.png filter=lfs diff=lfs merge=lfs -text
+visualizations/tsne_words.png filter=lfs diff=lfs merge=lfs -text
+visualizations/zipf_law.png filter=lfs diff=lfs merge=lfs -text

README.md

@@ -0,0 +1,773 @@
+---
+language: th
+language_name: Thai
+language_family: taikadai_southwestern
+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-taikadai_southwestern
+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: 4.749
+  - name: best_isotropy
+    type: isotropy
+    value: 0.8475
+  - name: vocabulary_size
+    type: vocab
+    value: 0
+generated: 2026-01-17
+---
+
+# Thai - Wikilangs Models
+## Comprehensive Research Report & Full Ablation Study
+
+This repository contains NLP models trained and evaluated by Wikilangs, specifically on **Thai** 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
+
+![Performance Dashboard](visualizations/performance_dashboard.png)
+
+### Analysis and Evaluation
+
+- [1. Tokenizer Evaluation](#1-tokenizer-evaluation)
+- [2. N-gram Model Evaluation](#2-n-gram-model-evaluation)
+- [3. Markov Chain Evaluation](#3-markov-chain-evaluation)
+- [4. Vocabulary Analysis](#4-vocabulary-analysis)
+- [5. Word Embeddings Evaluation](#5-word-embeddings-evaluation)
+- [6. Morphological Analysis (Experimental)](#6--morphological-analysis-experimental)
+- [7. Summary & Recommendations](#7-summary--recommendations)
+- [Metrics Glossary](#appendix-metrics-glossary--interpretation-guide)
+- [Visualizations Index](#visualizations-index)
+
+---
+## 1. Tokenizer Evaluation
+
+![Tokenizer Compression](visualizations/tokenizer_compression.png)
+
+![Tokenizer Fertility](visualizations/tokenizer_fertility.png)
+
+![Tokenizer OOV](visualizations/tokenizer_oov.png)
+
+![Total Tokens](visualizations/tokenizer_total_tokens.png)
+
+### Results
+
+| Vocab Size | Compression | Avg Token Len | UNK Rate | Total Tokens |
+|------------|-------------|---------------|----------|--------------|
+| **8k** | 3.339x | 3.36 | 0.1132% | 2,229,178 |
+| **16k** | 3.862x | 3.88 | 0.1309% | 1,927,473 |
+| **32k** | 4.323x | 4.35 | 0.1466% | 1,722,046 |
+| **64k** | 4.749x 🏆 | 4.78 | 0.1610% | 1,567,500 |
+
+### Tokenization Examples
+
+Below are sample sentences tokenized with each vocabulary size:
+
+**Sample 1:** `ไลฟ์การ์ดแห่งหาดบอนได เป็นสารคดีจากออสเตรเลียนำเสนอการทำงานตลอด 24 ชั่วโมงของไลฟ...`
+
+| Vocab | Tokens | Count |
+|-------|--------|-------|
+| 8k | `▁ไล ฟ์ การ์ ด แห่ง หาด บอน ได ▁เป็น สาร ... (+24 more)` | 34 |
+| 16k | `▁ไล ฟ์ การ์ด แห่ง หาด บอน ได ▁เป็นสาร คดี จาก ... (+19 more)` | 29 |
+| 32k | `▁ไลฟ์ การ์ด แห่ง หาด บอน ได ▁เป็นสาร คดี จาก ออสเตร ... (+18 more)` | 28 |
+| 64k | `▁ไลฟ์ การ์ด แห่ง หาด บอน ได ▁เป็นสาร คดี จาก ออสเตรเลียน ... (+17 more)` | 27 |
+
+**Sample 2:** `32 อาจหมายถึง: 32 (ตัวเลข) 32 ก่อนคริสตศักราช, 32, และอื่นๆ 32 (เพลง) ,เพลงในปี ...`
+
+| Vocab | Tokens | Count |
+|-------|--------|-------|
+| 8k | `▁ 3 2 ▁อาจหมายถึง : ▁ 3 2 ▁( ตัว ... (+28 more)` | 38 |
+| 16k | `▁ 3 2 ▁อาจหมายถึง : ▁ 3 2 ▁( ตัวเลข ... (+27 more)` | 37 |
+| 32k | `▁ 3 2 ▁อาจหมายถึง : ▁ 3 2 ▁( ตัวเลข ... (+25 more)` | 35 |
+| 64k | `▁ 3 2 ▁อาจหมายถึง : ▁ 3 2 ▁( ตัวเลข ... (+24 more)` | 34 |
+
+**Sample 3:** `Molopanthera เป็นสกุลของพืชดอกที่อยู่ในวงศ์ Rubiaceae. ถิ่นกำเนิดของมันคือ บราซิ...`
+
+| Vocab | Tokens | Count |
+|-------|--------|-------|
+| 8k | `▁m ol op anth era ▁เป็นสกุลของ พืชดอก ที่อยู่ในวงศ์ ▁r ub ... (+24 more)` | 34 |
+| 16k | `▁mol op anthera ▁เป็นสกุลของ พืชดอก ที่อยู่ในวงศ์ ▁rub iaceae . ▁ถิ่นกําเนิด ... (+17 more)` | 27 |
+| 32k | `▁mol op anthera ▁เป็นสกุลของ พืชดอก ที่อยู่ในวงศ์ ▁rubiaceae . ▁ถิ่นกําเนิด ของมันคือ ... (+14 more)` | 24 |
+| 64k | `▁mol op anthera ▁เป็นสกุลของ พืชดอก ที่อยู่ในวงศ์ ▁rubiaceae . ▁ถิ่นกําเนิด ของมันคือ ... (+14 more)` | 24 |
+
+
+### Key Findings
+
+- **Best Compression:** 64k achieves 4.749x compression
+- **Lowest UNK Rate:** 8k with 0.1132% 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
+
+![N-gram Perplexity](visualizations/ngram_perplexity.png)
+
+![N-gram Unique](visualizations/ngram_unique.png)
+
+![N-gram Coverage](visualizations/ngram_coverage.png)
+
+### Results
+
+| N-gram | Variant | Perplexity | Entropy | Unique N-grams | Top-100 Coverage | Top-1000 Coverage |
+|--------|---------|------------|---------|----------------|------------------|-------------------|
+| **2-gram** | Word | 56,310 | 15.78 | 475,306 | 16.2% | 28.1% |
+| **2-gram** | Subword | 2,438 🏆 | 11.25 | 124,885 | 27.9% | 71.1% |
+| **3-gram** | Word | 160,871 | 17.30 | 713,993 | 10.6% | 19.4% |
+| **3-gram** | Subword | 27,338 | 14.74 | 1,000,290 | 10.1% | 31.1% |
+| **4-gram** | Word | 529,813 | 19.02 | 1,376,813 | 3.4% | 10.2% |
+| **4-gram** | Subword | 174,441 | 17.41 | 4,905,540 | 5.4% | 17.4% |
+| **5-gram** | Word | 577,241 | 19.14 | 1,093,587 | 2.6% | 7.1% |
+| **5-gram** | Subword | 676,357 | 19.37 | 11,885,834 | 3.2% | 11.3% |
+
+### Top 5 N-grams by Size
+
+**2-grams (Word):**
+
+| Rank | N-gram | Count |
+|------|--------|-------|
+| 1 | `พ ศ` | 586,670 |
+| 2 | `ค ศ` | 304,560 |
+| 3 | `อ้างอิง แหล่งข้อมูลอื่น` | 46,447 |
+| 4 | `of the` | 42,755 |
+| 5 | `ศ พ` | 32,101 |
+
+**3-grams (Word):**
+
+| Rank | N-gram | Count |
+|------|--------|-------|
+| 1 | `ศ พ ศ` | 31,957 |
+| 2 | `พ ศ พ` | 27,195 |
+| 3 | `ศ ค ศ` | 25,879 |
+| 4 | `ธันวาคม พ ศ` | 21,330 |
+| 5 | `ตุลาคม พ ศ` | 21,250 |
+
+**4-grams (Word):**
+
+| Rank | N-gram | Count |
+|------|--------|-------|
+| 1 | `พ ศ พ ศ` | 27,071 |
+| 2 | `พ ศ ค ศ` | 20,164 |
+| 3 | `0 0 0 0` | 7,943 |
+| 4 | `ค ศ ค ศ` | 4,813 |
+| 5 | `อ้างอิง แหล่งข้อมูลอื่น พ ศ` | 4,336 |
+
+**5-grams (Word):**
+
+| Rank | N-gram | Count |
+|------|--------|-------|
+| 1 | `ศ พ ศ พ ศ` | 4,329 |
+| 2 | `พ ศ พ ศ พ` | 4,251 |
+| 3 | `ศ พ ศ ค ศ` | 3,779 |
+| 4 | `พ ศ พ ศ ค` | 3,510 |
+| 5 | `0 0 0 0 0` | 3,345 |
+
+**2-grams (Subword):**
+
+| Rank | N-gram | Count |
+|------|--------|-------|
+| 1 | `อ ง` | 3,386,500 |
+| 2 | `า ร` | 3,061,397 |
+| 3 | `ก า` | 2,892,062 |
+| 4 | `ร ะ` | 2,734,121 |
+| 5 | `น _` | 2,476,484 |
+
+**3-grams (Subword):**
+
+| Rank | N-gram | Count |
+|------|--------|-------|
+| 1 | `ก า ร` | 2,154,969 |
+| 2 | `เ ป็ น` | 1,461,135 |
+| 3 | `แ ล ะ` | 1,456,554 |
+| 4 | `ข อ ง` | 1,220,921 |
+| 5 | `ป ร ะ` | 1,178,596 |
+
+**4-grams (Subword):**
+
+| Rank | N-gram | Count |
+|------|--------|-------|
+| 1 | `. ศ . _` | 887,086 |
+| 2 | `_ แ ล ะ` | 845,421 |
+| 3 | `พ . ศ .` | 598,362 |
+| 4 | `_ พ . ศ` | 554,703 |
+| 5 | `ค ว า ม` | 480,722 |
+
+**5-grams (Subword):**
+
+| Rank | N-gram | Count |
+|------|--------|-------|
+| 1 | `พ . ศ . _` | 572,671 |
+| 2 | `_ พ . ศ .` | 553,928 |
+| 3 | `ค . ศ . _` | 311,390 |
+| 4 | `_ ค . ศ .` | 268,747 |
+| 5 | `ป ร ะ เ ท` | 260,009 |
+
+
+### Key Findings
+
+- **Best Perplexity:** 2-gram (subword) with 2,438
+- **Entropy Trend:** Decreases with larger n-grams (more predictable)
+- **Coverage:** Top-1000 patterns cover ~11% of corpus
+- **Recommendation:** 4-gram or 5-gram for best predictive performance
+
+---
+## 3. Markov Chain Evaluation
+
+![Markov Entropy](visualizations/markov_entropy.png)
+
+![Markov Contexts](visualizations/markov_contexts.png)
+
+![Markov Branching](visualizations/markov_branching.png)
+
+### Results
+
+| Context | Variant | Avg Entropy | Perplexity | Branching Factor | Unique Contexts | Predictability |
+|---------|---------|-------------|------------|------------------|-----------------|----------------|
+| **1** | Word | 0.2321 | 1.175 | 2.38 | 8,268,387 | 76.8% |
+| **1** | Subword | 0.8922 | 1.856 | 12.22 | 37,876 | 10.8% |
+| **2** | Word | 0.1165 | 1.084 | 1.32 | 19,576,764 | 88.4% |
+| **2** | Subword | 0.6125 | 1.529 | 5.30 | 462,626 | 38.7% |
+| **3** | Word | 0.0518 | 1.037 | 1.11 | 25,779,145 | 94.8% |
+| **3** | Subword | 0.5564 | 1.471 | 3.91 | 2,452,254 | 44.4% |
+| **4** | Word | 0.0248 🏆 | 1.017 | 1.05 | 28,430,641 | 97.5% |
+| **4** | Subword | 0.4718 | 1.387 | 2.77 | 9,576,634 | 52.8% |
+
+### Generated Text Samples (Word-based)
+
+Below are text samples generated from each word-based Markov chain model:
+
+**Context Size 1:**
+
+1. `ศ 829 575b 220 นั้นมีการใช้กระสุนที่จำกัด จึงผลิตปืนรุ่นนี้ออกมา และยังมีรุ่นย่อยคือ พี วีส์บิกแอดเว...`
+2. `พ ศ 12 12 34 1 พฤศจิกายน เมื่อวันที่ 16 ทีมสุดท้าย 8 เป็นต้นไป ค ศ เขายังได้ปีนข่านเทนกรี ในปี`
+3. `1 จัดเป็นสี่กลุ่ม กลุ่มละ 4 9 ศรีราชา อำเภอศรีราชา จังหวัดชลบุรี ในครอบครัวที่มีพี่น้อง 5 พฤษภาคม สิ...`
+
+**Context Size 2:**
+
+1. `พ ศ ได้รับอนุมัติจากมหาเถรสมาคมให้ปรับปรุงสภาพวัดให้ดีขึ้น ปี พ ศ ค ศ พระเจ้าอิชต์วานที่ 1 ประเทศฮัง...`
+2. `ค ศ ปัจจุบัน ละครชุด ปีเรื่องบทร่วมกับออกอากาศอ้างอิงพ ศ ความทรงจำที่ไม่อาจลืม ตอน บันทึกท่องเที่ยวท...`
+3. `of the usaf retrieved 20 october เจ้าชายโทโมฮิโตะแห่งมิกาซะสิ้นพระชนม์เมื่อวันที่ 6 มิถุนายน พ ศ อ้า...`
+
+**Context Size 3:**
+
+1. `พ ศ พ ศ และครั้งที่สอง ประมาณ พ ศ 31 สิงหาคม พ ศ วิทยาลัยโทรคมนาคมนนทบุรี รับนักศึกษาจาก การสอบคัดเล...`
+2. `ศ พ ศ ค ศ พระเจ้าแฟร์ดีนันท์ที่ 4 แห่งชาวโรมัน 8 กันยายน ค ศ เป็นที่รู้จักในชื่อ ไป๋ ลู่ เป็นนักแสดง...`
+3. `ศ ค ศ พระองค์เจ้าสุวพักตร์วิไลยพรรณ ประสูติ 2 พฤษภาคม พ ศ พ ศ ไอ จี คอมมิวนิเคชัน`
+
+**Context Size 4:**
+
+1. `พ ศ พ ศ เป็นปราชญ์และนักคิดอิสระที่ได้รับการกล่าวถึงอย่างกว้างขวาง เมื่อยังเป็นเด็กหนุ่ม ทางสมาคมเทว...`
+2. `พ ศ ค ศ ดีแลน มินเน็ตต์ นักแสดงและนักดนตรีชาวอเมริกัน ปรินซ์ แอมพอนซา นักฟุตบอลชาวกานา ซานะ มินาโตซา...`
+3. `0 0 0 0 ไมได้เข้าร่วมแข่งขัน 4 0 0 0 0 4 21 17 4 26 4 ระนอง 16 6`
+
+
+### Generated Text Samples (Subword-based)
+
+Below are text samples generated from each subword-based Markov chain model:
+
+**Context Size 1:**
+
+1. `_คยงข_ในที่เป็นกอว่า`
+2. `ารตียนผิดละคาระบโด`
+3. `นาณฑลาระปยีปดารรน`
+
+**Context Size 2:**
+
+1. `องครั้งที่รู้จักระชนิดนึงนิ`
+2. `ารไปส.ธ.90.0_ของเ`
+3. `การสช.อีกครั้งมีว่า_เป`
+
+**Context Size 3:**
+
+1. `การใด_ๆ_broad_mete`
+2. `เป็นการใช้อย่างต่างจาก`
+3. `และครั้งแรมชาติขึ้นบก_แ`
+
+**Context Size 4:**
+
+1. `.ศ._สหราชอาณาเขตจตุจั`
+2. `_และไม่สามารถป้องกันแล`
+3. `พ.ศ._76_<small>(ไทย`
+
+
+### Key Findings
+
+- **Best Predictability:** Context-4 (word) with 97.5% predictability
+- **Branching Factor:** Decreases with context size (more deterministic)
+- **Memory Trade-off:** Larger contexts require more storage (9,576,634 contexts)
+- **Recommendation:** Context-3 or Context-4 for text generation
+
+---
+## 4. Vocabulary Analysis
+
+![Zipf's Law](visualizations/zipf_law.png)
+
+![Top Words](visualizations/top20_words.png)
+
+![Coverage Curve](visualizations/vocab_coverage.png)
+
+### Statistics
+
+| Metric | Value |
+|--------|-------|
+| Vocabulary Size | 1,276,542 |
+| Total Tokens | 26,332,909 |
+| Mean Frequency | 20.63 |
+| Median Frequency | 3 |
+| Frequency Std Dev | 1261.31 |
+
+### Most Common Words
+
+| Rank | Word | Frequency |
+|------|------|-----------|
+| 1 | ศ | 920,143 |
+| 2 | พ | 595,465 |
+| 3 | 1 | 351,475 |
+| 4 | ค | 314,624 |
+| 5 | 2 | 306,676 |
+| 6 | 3 | 247,910 |
+| 7 | the | 217,279 |
+| 8 | 4 | 172,069 |
+| 9 | ๆ | 171,685 |
+| 10 | of | 169,227 |
+
+### Least Common Words (from vocabulary)
+
+| Rank | Word | Frequency |
+|------|------|-----------|
+| 1 | เบอร์ลินฟาร์มาซูติคอลอินดัสตรี้ | 2 |
+| 2 | มีเลขซีเทนขั้นต่ำที่ | 2 |
+| 3 | น้ำมันดีเซลหมุนเวียน | 2 |
+| 4 | neste | 2 |
+| 5 | เฮกซาดีเคน | 2 |
+| 6 | เฮปตาเมทิลโนเนน | 2 |
+| 7 | เครื่องทดสอบคุณภาพการจุดระเบิด | 2 |
+| 8 | เครื่องมือนี้ใช้วิธีเรียบง่ายกว่าและแข็งแกร่งกว่าในการวัดเลขซีเทนเมื่อเทียบกับ | 2 |
+| 9 | บ้านเก้าเลี้ยว | 2 |
+| 10 | ชุมชนบ้านเก้าเลี้ยว | 2 |
+
+### Zipf's Law Analysis
+
+| Metric | Value |
+|--------|-------|
+| Zipf Coefficient | 0.9360 |
+| R² (Goodness of Fit) | 0.999043 |
+| Adherence Quality | **excellent** |
+
+### Coverage Analysis
+
+| Top N Words | Coverage |
+|-------------|----------|
+| Top 100 | 29.7% |
+| Top 1,000 | 45.1% |
+| Top 5,000 | 57.6% |
+| Top 10,000 | 63.4% |
+
+### Key Findings
+
+- **Zipf Compliance:** R²=0.9990 indicates excellent adherence to Zipf's law
+- **High Frequency Dominance:** Top 100 words cover 29.7% of corpus
+- **Long Tail:** 1,266,542 words needed for remaining 36.6% coverage
+
+---
+## 5. Word Embeddings Evaluation
+
+![Embedding Isotropy](visualizations/embedding_isotropy.png)
+
+![Similarity Matrix](visualizations/embedding_similarity.png)
+
+![t-SNE Words](visualizations/tsne_words.png)
+
+![t-SNE Sentences](visualizations/tsne_sentences.png)
+
+
+### 5.1 Cross-Lingual Alignment
+
+![Alignment Quality](visualizations/embedding_alignment_quality.png)
+
+![Multilingual t-SNE](visualizations/embedding_tsne_multilingual.png)
+
+
+### 5.2 Model Comparison
+
+| Model | Dimension | Isotropy | Semantic Density | Alignment R@1 | Alignment R@10 |
+|-------|-----------|----------|------------------|---------------|----------------|
+| **mono_32d** | 32 | 0.8475 | 0.3288 | N/A | N/A |
+| **mono_64d** | 64 | 0.8400 | 0.2631 | N/A | N/A |
+| **mono_128d** | 128 | 0.8225 | 0.1868 | N/A | N/A |
+| **aligned_32d** | 32 | 0.8475 🏆 | 0.3296 | 0.2180 | 0.6440 |
+| **aligned_64d** | 64 | 0.8400 | 0.2600 | 0.4200 | 0.7840 |
+| **aligned_128d** | 128 | 0.8225 | 0.1907 | 0.4680 | 0.8680 |
+
+### Key Findings
+
+- **Best Isotropy:** aligned_32d with 0.8475 (more uniform distribution)
+- **Semantic Density:** Average pairwise similarity of 0.2598. Lower values indicate better semantic separation.
+- **Alignment Quality:** Aligned models achieve up to 46.8% 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 | **-0.367** | 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 |
+|--------|----------|
+| `-และ` | และได้รับแต่งตั้งเป็นรัฐมนตรีที่ไม่ประจำกระทรวง, และพาทีมเข้าชิงชนะเลิศ, และคริสต์ศาสนา |
+| `-เ` | เจ้าเมืองนครเขื่อนขันธ์คนที่, เฉิงเตี๋ยอี, เวลวิชเซีย |
+| `-โ` | โรงเรียนพระปฐมวิทยาลัย, โรงเรียนเวียงกาหลงวิทยา, โอมมอก |
+| `-แ` | แม่เม็ง, และได้รับแต่งตั้งเป็นรัฐมนตรีที่ไม่ประจำกระทรวง, และพาทีมเข้าชิงชนะเลิศ |
+| `-อ` | อควาครอส, อำเภอทุ่งย���งแดง, อุดมศิลป์ |
+| `-ส` | สมเด็จพระสันตะปาปาธีโอดอร์ที่, สถิรวํโส, สาขาวิชาศิลปกรรม |
+| `-ก` | การลอบฆ่า, กาญจนพัฒน์, การประมูลคลื่น |
+| `-ค` | คิคาวาดะ, คิดประเสริฐ, ครอบคลุมพื้นที่ตำบลสงยางทั้งตำบล |
+
+#### Productive Suffixes
+| Suffix | Examples |
+|--------|----------|
+| `-น` | ที่โด่งดังเช่น, ตั้งอยู่บนเชิงเทิน, นักเรียนห้องกิฟต์รุ่น |
+| `-ง` | แม่เม็ง, และได้รับแต่งตั้งเป็นรัฐมนตรีที่ไม่ประจำกระทรวง, อำเภอทุ่งยางแดง |
+| `-า` | การลอบฆ่า, โรงเรียนเวียงกาหลงวิทยา, อดีตนายกรัฐมนตรีแคนาดา |
+| `-ย` | นำชัย, โรงเรียนพระปฐมวิทยาลัย, ชีวิตช่วงปลาย |
+| `-ก` | ล้อมรอบด้วยกนกเปลวเพลิงด้านบนมีรัศมีประกอบแปดแฉก, โอมมอก, เนื่องในโอกาสพระราชพิธีกาญจนาภิเษก |
+| `-ม` | หิมาลัยยิม, มอบโดยกระทรวงวัฒนธรรม, สาขาวิชาศิลปกรรม |
+| `-อง` | และในคืนนั้นเอง, กาเอต็อง, นักแสดงจากเรื่อง |
+| `-ร` | หงษ์ขจร, จะพูดถึงความรู้สึกเชื่อใจได้อย่างไร, และนายทหาร |
+
+### 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 |
+|------|----------|------------------|----------|
+| `การแ` | 2.17x | 65 contexts | การแลก, การแปล, การแตก |
+| `ของเ` | 1.49x | 196 contexts | ของเล, ของเจ, ของเอ |
+| `พระร` | 2.07x | 33 contexts | พระรถ, พระราม, พระราช |
+| `การเ` | 1.55x | 93 contexts | การเย, การเดท, การเอา |
+| `ศาสต` | 1.82x | 46 contexts | ศาสตา, ศาสตรา, ศาสตร์ |
+| `าการ` | 1.45x | 100 contexts | อาการ, บาการี, คาการิ |
+| `นการ` | 1.48x | 86 contexts | ธนการ, ในการ, แผนการ |
+| `ประก` | 1.46x | 84 contexts | ประกบ, ประการ, ประกิจ |
+| `โรงเ` | 2.92x | 8 contexts | โรงเจ, โรงเข้, โรงเรีย |
+| `ประเ` | 1.42x | 83 contexts | ประเถท, ประเภท, ประเทศ |
+| `งจาก` | 1.44x | 72 contexts | บางจาก, อิงจาก, ทางจาก |
+| `ระเท` | 1.66x | 38 contexts | กระเทย, กระเทศ, พระเทพ |
+
+### 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 |
+|--------|--------|-----------|----------|
+| `-เ` | `-น` | 101 words | เพื่อเป็นการรักษากำลังและไพร่พลทหารของตนเองไว้สำหรับการศึกอื่น, เหยาจื่อจิน |
+| `-เ` | `-ง` | 84 words | เธอได้ออกเพลง, เจิ้นเสียง |
+| `-เ` | `-า` | 80 words | เข็มข้าหลวงเดิมราชกิจจานุเบกษา, เจ้าหญิงโรมานอฟสกายา |
+| `-เ` | `-ย` | 53 words | เป็นภาษาไทยอีกด้วย, เพลงดาบแม่น้ำร้อยสาย |
+| `-และ` | `-น` | 52 words | และตำบลบ้านแหวน, และเปลี่ยนชื่อไปเป็น |
+| `-โ` | `-ง` | 50 words | โดยใช้เครื่องบินโบอิง, โรงเรียนตะโกดอนหญ้านาง |
+| `-โ` | `-น` | 45 words | โคเฮ็น, โฟกส์วาเกน |
+| `-ก` | `-น` | 44 words | กุลธน, การแบ่งชนชั้น |
+| `-โ` | `-า` | 42 words | โรงเรียนศรีสมบูรณ์วิทยา, โดยมีวัตถุประสงค์เพื่อเป็นสถาบันการศึกษา |
+| `-แ` | `-น` | 41 words | และตำบลบ้านแหวน, แม่ฮ่องสอน |
+
+### 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 |
+|------|-----------------|------------|------|
+| การทำคะแนน | **`การทำคะแ-น-น`** | 7.5 | `น` |
+| เจ้าจอมสุวัทนา | **`เจ้าจอมสุวัท-น-า`** | 7.5 | `น` |
+| หัวอกชาวนา | **`หัวอกชาว-น-า`** | 7.5 | `น` |
+| อิริยาปถบรรพ | **`อิริยาปถบร-ร-พ`** | 7.5 | `ร` |
+| ตำบลพลวงสองนาง | **`ตำบลพลวงสอง-น-าง`** | 7.5 | `น` |
+| เส้นทางทรนง | **`เส้นทางทร-น-ง`** | 7.5 | `น` |
+| อเล็กซานดรอฟนา | **`อเล็กซานดรอฟ-น-า`** | 7.5 | `น` |
+| คาจิโดกิอาร์มส | **`คาจิโดกิอาร์-ม-ส`** | 7.5 | `ม` |
+| และเซเรนา | **`และเซเร-น-า`** | 7.5 | `น` |
+| และคูลลิแนน | **`และคูลลิแ-น-น`** | 7.5 | `น` |
+| ฟุชิกิดาเนะ | **`ฟุชิกิดาเ-น-ะ`** | 7.5 | `น` |
+| ตำบลม่วงงาม | **`ตำบลม่วง-ง-าม`** | 6.0 | `ตำบลม่วง` |
+| และตำบลหมื่นไวย | **`และ-ตำบลหมื่นไวย`** | 4.5 | `ตำบลหมื่นไวย` |
+| และได้รับสมญาว่า | **`และ-ได้รับสมญาว่า`** | 4.5 | `ได้รับสมญาว่า` |
+| และประทับอยู่ | **`และ-ประทับอยู่`** | 4.5 | `ประทับอยู่` |
+
+### 6.6 Linguistic Interpretation
+
+> **Automated Insight:**
+The language Thai 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
+
+![Performance Dashboard](visualizations/performance_dashboard.png)
+
+### Production Recommendations
+
+| Component | Recommended | Rationale |
+|-----------|-------------|-----------|
+| Tokenizer | **64k BPE** | Best compression (4.75x) |
+| N-gram | **2-gram** | Lowest perplexity (2,438) |
+| Markov | **Context-4** | Highest predictability (97.5%) |
+| 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](https://huggingface.co/datasets/omarkamali/wikipedia-monthly) - a monthly snapshot of Wikipedia articles across 300+ languages.
+
+### Project
+
+A project by **[Wikilangs](https://wikilangs.org)** - Open-source NLP models for every Wikipedia language.
+
+### Maintainer
+
+[Omar Kamali](https://omarkamali.com) - [Omneity Labs](https://omneitylabs.com)
+
+### Citation
+
+If you use these models in your research, please cite:
+
+```bibtex
+@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](https://wikilangs.org)
+- 🤗 Models: [huggingface.co/wikilangs](https://huggingface.co/wikilangs)
+- 📊 Data: [wikipedia-monthly](https://huggingface.co/datasets/omarkamali/wikipedia-monthly)
+- 👤 Author: [Omar Kamali](https://huggingface.co/omarkamali)
+- 🤝 Sponsor: [Featherless AI](https://featherless.ai)
+---
+*Generated by Wikilangs Models Pipeline*
+
+*Report Date: 2026-01-17 15:56:15*

models/embeddings/aligned/th_128d.bin

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:218532ffd1ab8a530b7f6a92aad9884b8243b5d87185ede81b63f299cddbde50
+size 1501738674

models/embeddings/aligned/th_128d.meta.json

@@ -0,0 +1 @@
+{"lang": "th", "dim": 128, "max_seq_len": 512, "is_aligned": true}

models/embeddings/aligned/th_128d.projection.npy

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:113bd1fa2e56d2694ab2de234ab52b529f7ae2d210182aa2e0c00869c76835e4
+size 65664

models/embeddings/aligned/th_128d_metadata.json

@@ -0,0 +1,8 @@
+{
+  "language": "th",
+  "dimension": 128,
+  "version": "aligned",
+  "hub_language": "en",
+  "seed_vocab_size": 110471,
+  "vocab_size": 450025
+}

models/embeddings/aligned/th_32d.bin

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:5d07e515211b39a047f35fe0cbc2638179bc51c080901fb9fff2d1d0a4644119
+size 388119474

models/embeddings/aligned/th_32d.meta.json

@@ -0,0 +1 @@
+{"lang": "th", "dim": 32, "max_seq_len": 512, "is_aligned": true}

models/embeddings/aligned/th_32d.projection.npy

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:5bf4ae9d3acbb3509391b52dbca4080b525745fca52cba52a8255d479a207036
+size 4224

models/embeddings/aligned/th_32d_metadata.json

@@ -0,0 +1,8 @@
+{
+  "language": "th",
+  "dimension": 32,
+  "version": "aligned",
+  "hub_language": "en",
+  "seed_vocab_size": 110471,
+  "vocab_size": 450025
+}

models/embeddings/aligned/th_64d.bin

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:428f8a66daf50dd434a1e9ab558a26f5a244d30dd9820833a63c5fc65c2693f9
+size 759325874

models/embeddings/aligned/th_64d.meta.json

@@ -0,0 +1 @@
+{"lang": "th", "dim": 64, "max_seq_len": 512, "is_aligned": true}

models/embeddings/aligned/th_64d.projection.npy

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:de0386f466c0045e3352f51e12350b39f7866b809a1b24a83b8c5e44c7ccb1fa
+size 16512

models/embeddings/aligned/th_64d_metadata.json

@@ -0,0 +1,8 @@
+{
+  "language": "th",
+  "dimension": 64,
+  "version": "aligned",
+  "hub_language": "en",
+  "seed_vocab_size": 110471,
+  "vocab_size": 450025
+}

models/embeddings/monolingual/th_128d.bin

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:218532ffd1ab8a530b7f6a92aad9884b8243b5d87185ede81b63f299cddbde50
+size 1501738674

models/embeddings/monolingual/th_128d.meta.json

@@ -0,0 +1 @@
+{"lang": "th", "dim": 128, "max_seq_len": 512, "is_aligned": false}

models/embeddings/monolingual/th_128d_metadata.json

@@ -0,0 +1,16 @@
+{
+  "language": "th",
+  "dimension": 128,
+  "version": "monolingual",
+  "training_params": {
+    "algorithm": "skipgram",
+    "min_count": 5,
+    "window": 5,
+    "negative": 5,
+    "epochs": 5,
+    "encoding_method": "rope",
+    "dim": 128,
+    "threads": 32
+  },
+  "vocab_size": 450025
+}

models/embeddings/monolingual/th_32d.bin

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:5d07e515211b39a047f35fe0cbc2638179bc51c080901fb9fff2d1d0a4644119
+size 388119474

models/embeddings/monolingual/th_32d.meta.json

@@ -0,0 +1 @@
+{"lang": "th", "dim": 32, "max_seq_len": 512, "is_aligned": false}

models/embeddings/monolingual/th_32d_metadata.json

@@ -0,0 +1,16 @@
+{
+  "language": "th",
+  "dimension": 32,
+  "version": "monolingual",
+  "training_params": {
+    "algorithm": "skipgram",
+    "min_count": 5,
+    "window": 5,
+    "negative": 5,
+    "epochs": 5,
+    "encoding_method": "rope",
+    "dim": 32,
+    "threads": 32
+  },
+  "vocab_size": 450025
+}

models/embeddings/monolingual/th_64d.bin

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:428f8a66daf50dd434a1e9ab558a26f5a244d30dd9820833a63c5fc65c2693f9
+size 759325874

models/embeddings/monolingual/th_64d.meta.json

@@ -0,0 +1 @@
+{"lang": "th", "dim": 64, "max_seq_len": 512, "is_aligned": false}

models/embeddings/monolingual/th_64d_metadata.json

@@ -0,0 +1,16 @@
+{
+  "language": "th",
+  "dimension": 64,
+  "version": "monolingual",
+  "training_params": {
+    "algorithm": "skipgram",
+    "min_count": 5,
+    "window": 5,
+    "negative": 5,
+    "epochs": 5,
+    "encoding_method": "rope",
+    "dim": 64,
+    "threads": 32
+  },
+  "vocab_size": 450025
+}

models/subword_markov/th_markov_ctx1_subword.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:e8c3c5453d56bd117013be521d5bd13c0f76c36bf62924b3f4a51650ddf36db0
+size 2622929

models/subword_markov/th_markov_ctx1_subword_metadata.json

@@ -0,0 +1,7 @@
+{
+  "context_size": 1,
+  "variant": "subword",
+  "language": "th",
+  "unique_contexts": 37876,
+  "total_transitions": 362921572
+}

models/subword_markov/th_markov_ctx2_subword.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:05a9869caa69adab3f395475b46538abb776112280f5fc27f58133f67800d092
+size 17295138

models/subword_markov/th_markov_ctx2_subword_metadata.json

@@ -0,0 +1,7 @@
+{
+  "context_size": 2,
+  "variant": "subword",
+  "language": "th",
+  "unique_contexts": 462626,
+  "total_transitions": 362743892
+}

models/subword_markov/th_markov_ctx3_subword.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:345e53928053840a0c3b726f1f82f78d34a11dd93e17e02111a867a4b6c04662
+size 79210403

models/subword_markov/th_markov_ctx3_subword_metadata.json

@@ -0,0 +1,7 @@
+{
+  "context_size": 3,
+  "variant": "subword",
+  "language": "th",
+  "unique_contexts": 2452254,
+  "total_transitions": 362566212
+}

models/subword_markov/th_markov_ctx4_subword.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:747a271090dce700234a4dba1a5c09b7a185958ac62c1ef233f9aa4f051a9488
+size 258530071

models/subword_markov/th_markov_ctx4_subword_metadata.json

@@ -0,0 +1,7 @@
+{
+  "context_size": 4,
+  "variant": "subword",
+  "language": "th",
+  "unique_contexts": 9576634,
+  "total_transitions": 362388532
+}

models/subword_ngram/th_2gram_subword.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:0aebbfe9888b4c8bab458ed075a9cdfd31f77d45eed5bdc69bb930cb3a731172
+size 1736471

models/subword_ngram/th_2gram_subword_metadata.json

@@ -0,0 +1,7 @@
+{
+  "n": 2,
+  "variant": "subword",
+  "language": "th",
+  "unique_ngrams": 124885,
+  "total_ngrams": 362921572
+}

models/subword_ngram/th_3gram_subword.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:1c9eb816e19268fe6597eab793ca3a8d7328dd8da5e65854b2044eaf7b65fe32
+size 14441806

models/subword_ngram/th_3gram_subword_metadata.json

@@ -0,0 +1,7 @@
+{
+  "n": 3,
+  "variant": "subword",
+  "language": "th",
+  "unique_ngrams": 1000290,
+  "total_ngrams": 362743892
+}

models/subword_ngram/th_4gram_subword.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:28c56d804950cf11d46c246b7993385a053bd380098680d51c77ec6b51878ee2
+size 73797867

models/subword_ngram/th_4gram_subword_metadata.json

@@ -0,0 +1,7 @@
+{
+  "n": 4,
+  "variant": "subword",
+  "language": "th",
+  "unique_ngrams": 4905540,
+  "total_ngrams": 362566212
+}

models/subword_ngram/th_5gram_subword.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:33364b72d5499fdee7bd3f680816358955dc6378191fddcc83325291ce024e24
+size 188702220

models/subword_ngram/th_5gram_subword_metadata.json

@@ -0,0 +1,7 @@
+{
+  "n": 5,
+  "variant": "subword",
+  "language": "th",
+  "unique_ngrams": 11885834,
+  "total_ngrams": 362388532
+}

models/tokenizer/th_tokenizer_16k.model

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:49b51e2966fdddc4c863f8cfd159805d5d4379b51de3a4cc8bc7d258051ef1ae
+size 615860

models/tokenizer/th_tokenizer_32k.model

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:f3a0a9933b171da690a414690b6a33024b84a22fd4a515ee531f8927166804b0
+size 1052286

models/tokenizer/th_tokenizer_64k.model

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:43b740523f25f695c94ba5d474ac068f42a4dd6adf397bfc22bf250b9c442e95
+size 1974648

models/tokenizer/th_tokenizer_8k.model

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:f503f1d1cc5b183693467a5604153e463f100f9e179cd905c1777a1794af70c1
+size 411357

models/vocabulary/th_vocabulary.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:edf046cbdf559a751d6381793569a7d0cdc3b19f746370da0a7e5de3f36ddf3a
+size 33232671

models/vocabulary/th_vocabulary_metadata.json

@@ -0,0 +1,17 @@
+{
+  "language": "th",
+  "vocabulary_size": 1276542,
+  "variant": "full",
+  "statistics": {
+    "type_token_ratio": 0.2484188561316107,
+    "coverage": {
+      "top_100": 0.23482958261161382,
+      "top_1000": 0.3563300316759696,
+      "top_5000": 0.45467962493242736,
+      "top_10000": 0.500678290847444
+    },
+    "hapax_count": 7005297,
+    "hapax_ratio": 0.8458624950328061,
+    "total_documents": 177680
+  }
+}

models/vocabulary/th_vocabulary_top.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:60ecb1d1a6b66f6e5944dede98ceced8bd8af2d6cf5527a9eeb3a536ffafce17
+size 25231396