README.md

metadata

language: ka
language_name: Georgian
language_family: kartvelian
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-kartvelian
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: 5.034
  - name: best_isotropy
    type: isotropy
    value: 0.7869
  - name: vocabulary_size
    type: vocab
    value: 0
generated: 2026-01-10T00:00:00.000Z

Georgian - Wikilangs Models

Comprehensive Research Report & Full Ablation Study

This repository contains NLP models trained and evaluated by Wikilangs, specifically on Georgian 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	3.607x	3.61	0.0743%	1,129,507
16k	4.126x	4.13	0.0850%	987,428
32k	4.611x	4.61	0.0950%	883,432
64k	5.034x 🏆	5.04	0.1037%	809,192

Tokenization Examples

Below are sample sentences tokenized with each vocabulary size:

Sample 1: ბა () — მეორე ასო არაბულ დამწერლობაში. ბა არის არაბული ვარიანტი ებრაული ბეთისა. ...

Vocab	Tokens	Count
8k	▁ბა ▁() ▁— ▁მეორე ▁ასო ▁არაბ ულ ▁დამწერ ლობაში . ... (+19 more)	29
16k	▁ბა ▁() ▁— ▁მეორე ▁ასო ▁არაბულ ▁დამწერ ლობაში . ▁ბა ... (+16 more)	26
32k	▁ბა ▁() ▁— ▁მეორე ▁ასო ▁არაბულ ▁დამწერ ლობაში . ▁ბა ... (+13 more)	23
64k	▁ბა ▁() ▁— ▁მეორე ▁ასო ▁არაბულ ▁დამწერლობაში . ▁ბა ▁არის ... (+12 more)	22

Sample 2: ხათინბულაყი () — სოფელი აზერბაიჯანში, ფუზულის რაიონში. რესურსები ინტერნეტში რაიო...

Vocab	Tokens	Count
8k	▁ხ ათინ ბ ულა ყ ი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში ... (+10 more)	20
16k	▁ხ ათინ ბ ულა ყი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში , ... (+9 more)	19
32k	▁ხ ათინ ბულა ყი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში , ▁ფუზულის ... (+6 more)	16
64k	▁ხ ათინ ბულაყი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში , ▁ფუზულის ▁რაიონში ... (+5 more)	15

Sample 3: მერდინლი () — სოფელი აზერბაიჯანში, ფუზულის რაიონში. რესურსები ინტერნეტში რაიონის...

Vocab	Tokens	Count
8k	▁მერ დინ ლი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში , ▁ფ უზ ... (+7 more)	17
16k	▁მერ დინ ლი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში , ▁ფ უზ ... (+7 more)	17
32k	▁მერ დინ ლი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში , ▁ფუზულის ▁რაიონში ... (+5 more)	15
64k	▁მერ დინ ლი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში , ▁ფუზულის ▁რაიონში ... (+5 more)	15

Key Findings

• Best Compression: 64k achieves 5.034x compression
• Lowest UNK Rate: 8k with 0.0743% 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	211,247	17.69	839,931	5.0%	14.8%
2-gram	Subword	423 🏆	8.73	18,881	58.4%	96.6%
3-gram	Word	297,944	18.18	972,504	4.8%	13.7%
3-gram	Subword	3,918	11.94	159,884	21.8%	60.3%
4-gram	Word	509,839	18.96	1,548,052	4.2%	12.7%
4-gram	Subword	22,811	14.48	936,455	10.0%	32.5%
5-gram	Word	359,649	18.46	1,104,097	4.9%	14.4%
5-gram	Subword	88,814	16.44	2,995,844	5.2%	19.7%

Top 5 N-grams by Size

2-grams (Word):

Rank	N-gram	Count
1	რესურსები ინტერნეტში	100,310
2	იხილეთ აგრეთვე	38,767
3	ერთ ერთი	38,192
4	და სხვა	20,983
5	of the	20,829

3-grams (Word):

Rank	N-gram	Count
1	წლის მონაცემებით მოსახლეობა	9,844
2	რესურსები ინტერნეტში სქოლიო	8,451
3	მიუხედავად იმისა რომ	8,239
4	ოფიციალური საიტი სქოლიო	7,888
5	მდებარეობს ზღვის დონიდან	7,694

4-grams (Word):

Rank	N-gram	Count
1	კაცი წ იხილეთ აგრეთვე	6,676
2	მუნიციპალიტეტის ოფიციალური საიტი სქოლიო	5,942
3	ოფიციალური საიტი სქოლიო მუნიციპალიტეტები	5,878
4	კმ ია იხილეთ აგრეთვე	5,763
5	ჭიანჭველასებრთა ერთ ერთი ნაირსახეობა	5,614

5-grams (Word):

Rank	N-gram	Count
1	მუნიციპალიტეტის ოფიციალური საიტი სქოლიო მუნიციპალიტეტები	5,860
2	კლასის ჭიანჭველასებრთა ერთ ერთი ნაირსახეობა	5,614
3	მწერთა კლასის ჭიანჭველასებრთა ერთ ერთი	5,614
4	ფეხსახსრიანთა ტიპის მწერთა კლასის ჭიანჭველასებრთა	5,614
5	ტიპის მწერთა კლასის ჭიანჭველასებრთა ერთ	5,614

2-grams (Subword):

Rank	N-gram	Count
1	ს _	7,040,665
2	ი ს	7,006,427
3	ი _	6,580,536
4	ა _	4,984,758
5	ე ბ	4,979,269

3-grams (Subword):

Rank	N-gram	Count
1	ი ს _	5,017,584
2	ე ბ ი	2,375,826
3	_ დ ა	2,051,321
4	_ ს ა	1,739,078
5	დ ა _	1,650,928

4-grams (Subword):

Rank	N-gram	Count
1	_ დ ა _	1,089,218
2	ბ ი ს _	984,947
3	ე ბ ი ს	883,610
4	ე ბ ი _	738,436
5	ი ს _ მ	733,039

5-grams (Subword):

Rank	N-gram	Count
1	ე ბ ი ს _	734,333
2	ა _ დ ა _	430,206
3	, _ რ ო მ	406,399
4	ი ს _ ს ა	350,334
5	ე ბ უ ლ ი	307,583

Key Findings

• Best Perplexity: 2-gram (subword) with 423
• Entropy Trend: Decreases with larger n-grams (more predictable)
• Coverage: Top-1000 patterns cover ~20% 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	0.9133	1.883	9.96	1,644,802	8.7%
1	Subword	1.0685	2.097	7.59	8,326	0.0%
2	Word	0.2778	1.212	1.75	16,356,120	72.2%
2	Subword	0.7948	1.735	5.53	63,087	20.5%
3	Word	0.0801	1.057	1.15	28,502,543	92.0%
3	Subword	0.7992	1.740	4.61	348,410	20.1%
4	Word	0.0282 🏆	1.020	1.04	32,622,645	97.2%
4	Subword	0.7081	1.634	3.48	1,604,353	29.2%

Generated Text Samples (Word-based)

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

Context Size 1:

1. და ფესტივალის roadburn festival at war chapter 8 6 7 489 ხელოვნებაში გაწაფული და დასავლური მარიული
2. წლის აპრილში ჟურნალ modern philology v საუკუნეებით ძეგლი ვატერტონ გლასიერის მშვიდობის განმტკიცებაში ...
3. წელს ტაძრის კრამიტი ცემენტქვიშის ხსნარის სიმკვრივე 0 1 ნოემბერი დეკემბერი მუნიციპალიტეტში ჭალის მუხი...

Context Size 2:

1. რესურსები ინტერნეტში ოფიციალური საიტი სქოლიო მუნიციპალიტეტები ქალაქები და წელს ის მიიწვიეს პეტერბურგ...
2. იხილეთ აგრეთვე მინას ჟერაისი ბრაზილიის შტატები რესურსები ინტერნეტში ოფიციალური საიტი ჰარპერი მუსიკოს...
3. ერთ ერთი ინიციატორი სული და ამ დროიდან ციხესიმაგრემ შეწყვიტა მხოლოდ მაშინ ექვემდებარება თუ ოჯახს საკ...

Context Size 3:

1. წლის მონაცემებით მოსახლეობა 84 469 ადამიანს შეადგენდა ფართობი 358 კმ მოსახლეობა 61 418 ადამიანი წლის...
2. მიუხედავად იმისა რომ მპა მედიკამენტურად ვერ იკურნება მედიკამენტები შეიძლება გამოვიყენოთ სიმპტომების ...
3. რესურსები ინტერნეტში სქოლიო მომღერლები 25 აგვისტო records ის შემსრულებლები records ის შემსრულებლები ...

Context Size 4:

1. კაცი წ იხილეთ აგრეთვე სევილიის მუნიციპალიტეტები რესურსები ინტერნეტში ალანისის მუნიციპალიტეტის ოფიცია...
2. მუნიციპალიტეტის ოფიციალური საიტი სქოლიო მუნიციპალიტეტები ქალაქები გვერდები გვარის შემცველი სიებით გვ...
3. კმ ია იხილეთ აგრეთვე კოლუმბიის ქალაქების სია რესურსები ინტერნეტში ქალაქის მთავრობის საიტი ქალაქის სა...

Generated Text Samples (Subword-based)

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

Context Size 1:

1. _მეენა;_წლოგას_კ
2. ა_მოს_მდისაღობულ
3. ისა_ც_ბოჰას_სტჩი

Context Size 2:

1. ს_ნიერალიერგიერის
2. ის_ოქმნინის_მკვე_
3. ი_ერთემელი,_nalos

Context Size 3:

1. ის_ჯვრია_დაში,_რომ
2. ების_წარმოდის_კრებ
3. _დაიქცა._კიდერილთა

Context Size 4:

1. _და_ამ_პროვი._თამაშ
2. ბის_საჭირო._წელს._ხ
3. ებისამე_სირიის_წყალ

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 (1,604,353 contexts)
• Recommendation: Context-3 or Context-4 for text generation

---

4. Vocabulary Analysis

Statistics

Metric	Value
Vocabulary Size	715,127
Total Tokens	37,347,310
Mean Frequency	52.22
Median Frequency	4
Frequency Std Dev	1624.79

Most Common Words

Rank	Word	Frequency
1	და	1,097,500
2	წლის	288,743
3	წელს	254,559
4	იყო	188,838
5	ის	162,453
6	რომელიც	141,611
7	the	128,418
8	რომ	124,976
9	1	122,280
10	მისი	118,080

Least Common Words (from vocabulary)

Rank	Word	Frequency
1	pbsuccess	2
2	მანგუსი	2
3	ბარნჰამი	2
4	რაჩაკის	2
5	peig	2
6	ლემსის	2
7	smap	2
8	კამიტის	2
9	ვილაკამპას	2
10	დევორეს	2

Zipf's Law Analysis

Metric	Value
Zipf Coefficient	0.9374
R² (Goodness of Fit)	0.993145
Adherence Quality	excellent

Coverage Analysis

Top N Words	Coverage
Top 100	19.3%
Top 1,000	42.2%
Top 5,000	62.0%
Top 10,000	70.3%

Key Findings

• Zipf Compliance: R²=0.9931 indicates excellent adherence to Zipf's law
• High Frequency Dominance: Top 100 words cover 19.3% of corpus
• Long Tail: 705,127 words needed for remaining 29.7% 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	0.7869	0.3479	N/A	N/A
mono_64d	64	0.7389	0.2989	N/A	N/A
mono_128d	128	0.6243	0.2604	N/A	N/A
aligned_32d	32	0.7869 🏆	0.3607	0.1100	0.4300
aligned_64d	64	0.7389	0.3031	0.2300	0.6300
aligned_128d	128	0.6243	0.2636	0.2980	0.7120

Key Findings

• Best Isotropy: aligned_32d with 0.7869 (more uniform distribution)
• Semantic Density: Average pairwise similarity of 0.3057. Lower values indicate better semantic separation.
• Alignment Quality: Aligned models achieve up to 29.8% 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	-0.271	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
-სა	სატომთაშორისო, საგანძურისა, სამართლიანი
-ა	ავტომატიზირებულ, აგროტექნიკის, აცაურას
-გა	გამოვლინებებამდე, გამაცალკევებელი, გათხრებისთვის
-და	დაგვანებეთ, დაკრძალულ, დაპყრობლი
-მ	მოკავშირეობაზე, მავრიკიოსს, მანიშნებელ
-მა	მავრიკიოსს, მანიშნებელ, მარჯანიშვილი
-მო	მოკავშირეობაზე, მომქნევი, მომლოცველთაგან
-ს	სატომთაშორისო, საგანძურისა, სამართლიანი

Productive Suffixes

Suffix	Examples
-ს	დრეიკს, მავრიკიოსს, დრაჩას
-ი	ბანიშევსკი, ეგზემპლარში, სამართლიანი
-ის	პარმელის, იასარის, ყუსარის
-ა	კირქვისაა, ზედამიოცენისა, საგანძურისა
-ან	დიაკონთან, ერდმან, ბრიტანელებისაგან
-ნ	დიაკონთან, ერდმან, ბრიტანელებისაგან
-ლი	მარჯანიშვილი, ჩამოშორებული, დაპყრობლი
-სა	ზედამიოცენისა, საგანძურისა, ტყვიავისა

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
ეთის	1.85x	194 contexts	ჩეთის, შეთის, ბეთის
ელებ	1.48x	550 contexts	ელები, კელებ, ჯელებ
მდეგ	2.33x	52 contexts	ემდეგ, შამდეგ, დამდეგ
ენებ	1.41x	544 contexts	ენება, ენები, ენებს
ებულ	1.59x	250 contexts	ქებულ, კრებულ, ქებული
დგენ	1.75x	134 contexts	ადგენს, ვადგენ, უდგენს
ართვ	1.68x	147 contexts	ქართვ, მართვე, ჩართვა
რთვე	1.81x	96 contexts	მართვე, რთველს, ქართვე
ომელ	1.63x	118 contexts	ტომელ, რომელ, დომელი
ნტერ	1.51x	148 contexts	უნტერ, ინტერ, ენტერ
ავლე	1.43x	180 contexts	სავლე, ავლენ, პავლე
ალაქ	1.58x	106 contexts	ქალაქ, მალაქ, დალაქს

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
-მ	-ს	186 words	მონოტონურობის, მოსულიშვილს
-მ	-ი	167 words	მხატვრებში, მელანქოლიკური
-მ	-ა	129 words	მღებავთა, მანდილოსნებმა
-ა	-ი	124 words	ალტენბურგში, ატკინი
-ა	-ს	120 words	ალდეს, ანდერსონის
-გა	-ა	111 words	გამეგზავრა, გაკრიტიკება
-მ	-ის	104 words	მონოტონურობის, მუსანდამის
-ა	-ა	93 words	აბრევიაცია, აიუთაია
-ს	-ს	88 words	სისლეის, სკიარას
-ს	-ი	82 words	საფრთხეში, სტერეოსკოპული

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
დაკარგვასა	დაკარგვა-ს-ა	7.5	ს
პედიატრიასა	პედიატრია-ს-ა	7.5	ს
ინდიკატორებია	ინდიკატორებ-ი-ა	7.5	ი
კარნახობდათ	კარნახობდ-ა-თ	7.5	ა
ნაციონალიზმსა	ნაციონალიზმ-ს-ა	7.5	ს
მიმოხილვაზე	მიმოხილვ-ა-ზე	7.5	ა
მეტყევეობაში	მეტყევეობ-ა-ში	7.5	ა
არისტოკრატია	არისტოკრატ-ი-ა	7.5	ი
გადაუხდელობას	გადაუხდელობ-ა-ს	7.5	ა
провинцииოსო	провинцииო-ს-ო	7.5	ს
ძეგლებსაც	ძეგლებ-ს-აც	7.5	ს
კონფისკაციასა	კონფისკაცია-ს-ა	7.5	ს
არაკატაკაში	არაკატაკ-ა-ში	7.5	ა
მონოკრისტალი	მონოკრისტ-ა-ლი	7.5	ა
ჰოლანდიას	ჰოლანდი-ა-ს	7.5	ა

6.6 Linguistic Interpretation

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

---

7. Summary & Recommendations

Production Recommendations

Component	Recommended	Rationale
Tokenizer	64k BPE	Best compression (5.03x)
N-gram	2-gram	Lowest perplexity (423)
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 11:10:47