You can deploy this model and start earning money today!

Views

No views yet

Armenian - Wikilangs Models

Comprehensive Research Report & Full Ablation Study

This repository contains NLP models trained and evaluated by Wikilangs, specifically on Armenian 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

1. Tokenizer Evaluation

Results

Vocab Size	Compression	Avg Token Len	UNK Rate	Total Tokens
8k	3.834x	3.86	0.1591%	2,659,955
16k	4.305x	4.33	0.1786%	2,368,713
32k	4.718x	4.75	0.1958%	2,161,366
64k	5.067x 🏆	5.10	0.2102%	2,012,394

Tokenization Examples

Below are sample sentences tokenized with each vocabulary size:

Sample 1:

Աստերոիդների ցանկ Աստերոիդների ցանկ Աստերոիդների ցանկ | || || 12 հոկտեմբեր || Կի...

Vocab	Tokens	Count
8k	`▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁	▁
16k	`▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁	▁
32k	`▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁	▁
64k	`▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁	▁

Sample 2:

Աստերոիդների ցանկ Աստերոիդների ցանկ Աստերոիդների ցանկ | || || 13 ապրիլ || Կատալի...

Vocab	Tokens	Count
8k	`▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁	▁
16k	`▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁	▁
32k	`▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁	▁
64k	`▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁	▁

Sample 3:

Դրյաժնո, բնակավայրերի անուններ՝ Բելառուսիա Դրյաժնո - գյուղակ Վիտեբսկի շրջանում, ...

Vocab	Tokens	Count
8k	`▁դր յ աժ նո , ▁բնակավայրերի ▁անուն ներ՝ ▁բելառուս իա ... (+28 more)`	38
16k	`▁դր յ աժ նո , ▁բնակավայրերի ▁անուն ներ՝ ▁բելառուս իա ... (+28 more)`	38
32k	`▁դր յաժ նո , ▁բնակավայրերի ▁անուն ներ՝ ▁բելառուս իա ▁դր ... (+25 more)`	35
64k	`▁դր յաժ նո , ▁բնակավայրերի ▁անուն ներ՝ ▁բելառուս իա ▁դր ... (+19 more)`	29

Key Findings

Best Compression: 64k achieves 5.067x compression
Lowest UNK Rate: 8k with 0.1591% 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	274,089	18.06	2,048,640	5.7%	17.3%
2-gram	Subword	435 🏆	8.77	31,099	58.6%	95.3%
3-gram	Word	587,646	19.16	3,025,054	4.6%	14.3%
3-gram	Subword	3,630	11.83	285,926	26.0%	63.1%
4-gram	Word	869,845	19.73	4,440,732	5.7%	15.5%
4-gram	Subword	20,147	14.30	1,705,625	14.0%	36.8%
5-gram	Word	457,726	18.80	2,884,886	8.6%	20.6%
5-gram	Subword	78,248	16.26	5,627,732	8.9%	23.9%

Top 5 N-grams by Size

2-grams (Word):

Rank	N-gram	Count
1	`արտաքին հղումներ`	162,524
2	`է որ`	122,895
3	`ծանոթագրություններ արտաքին`	120,383
4	`եղել է`	83,997
5	`է թվականի`	83,509

3-grams (Word):

Rank	N-gram	Count
1	`ծանոթագրություններ արտաքին հղումներ`	119,820
2	`շրջանի բնակավայրեր գյուղեր`	35,523
3	`մ թ ա`	25,916
4	`արտաքին հղումներ ռուսաստանի`	19,895
5	`է ա մ`	19,670

4-grams (Word):

Rank	N-gram	Count
1	`գոտիները worldtimezone com կայքում`	18,028
2	`ժամային գոտիները worldtimezone com`	18,028
3	`ռուսաստանի ժամային գոտիները worldtimezone`	18,028
4	`արտաքին հղումներ ռուսաստանի ժամային`	18,006
5	`հղումներ ռուսաստանի ժամային գոտիները`	18,006

5-grams (Word):

Rank	N-gram	Count
1	`ժամային գոտիները worldtimezone com կայքում`	18,028
2	`ռուսաստանի ժամային գոտիները worldtimezone com`	18,028
3	`արտաքին հղումներ ռուսաստանի ժամային գոտիները`	18,006
4	`հղումներ ռուսաստանի ժամային գոտիները worldtimezone`	18,006
5	`թվականի ուկրաինայի համապետական մարդահամարի արդյունքները`	17,821

2-grams (Subword):

Rank	N-gram	Count
1	`ո ւ`	25,191,475
2	`ա ն`	21,219,860
3	`ն _`	15,448,243
4	`ե ր`	14,542,618
5	`ի _`	12,944,110

3-grams (Subword):

Rank	N-gram	Count
1	`ո ւ մ`	7,197,254
2	`ն ե ր`	6,928,522
3	`ա ն _`	6,546,164
4	`ա կ ա`	6,299,916
5	`կ ա ն`	5,484,002

4-grams (Subword):

Rank	N-gram	Count
1	`ա կ ա ն`	4,881,415
2	`ո ւ թ յ`	4,780,700
3	`ո ւ մ _`	4,302,874
4	`յ ո ւ ն`	3,153,212
5	`կ ա ն _`	2,879,683

5-grams (Subword):

Rank	N-gram	Count
1	`թ յ ո ւ ն`	2,857,609
2	`ո ւ թ յ ո`	2,854,879
3	`ւ թ յ ո ւ`	2,854,454
4	`ա կ ա ն _`	2,763,929
5	`ո ւ թ յ ա`	1,924,954

Key Findings

Best Perplexity: 2-gram (subword) with 435
Entropy Trend: Decreases with larger n-grams (more predictable)
Coverage: Top-1000 patterns cover ~24% 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	0.8583	1.813	11.08	3,072,156	14.2%
1	Subword	1.3537	2.556	10.63	11,441	0.0%
2	Word	0.3131	1.242	2.02	34,021,781	68.7%
2	Subword	0.7180	1.645	5.38	121,571	28.2%
3	Word	0.1098	1.079	1.24	68,796,040	89.0%
3	Subword	0.7758	1.712	4.65	653,913	22.4%
4	Word	0.0398 🏆	1.028	1.07	84,964,993	96.0%
4	Subword	0.6964	1.620	3.55	3,038,021	30.4%

Generated Text Samples (Word-based)

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

Context Size 1:

է հիստերիկա սարքում և ի առաջին պարբերությունը 10 ը չեն անվանել են ամենակերներ էին որպես բուսաբանական
և նիկոլայ սմորչկով ավագ դուստր վարկած ըստ ռդ առաջին հակաօդային պաշտպանության տակ է ֆիլմում թվականին ...
են շարիաթի օրենքներին առաջարկություններ անել իր հարազատ ռոստսելմաշ ակումբ քանի որ և նա ստեղծեց red w...

Context Size 2:

արտաքին հղումներ ayuntamiento de torrejón de velasco la cocina española antigua la cocina gitana las...
է որ այդ թեմատիկայով մեծ հայտնիություն ձեռք բերեց լյուկ բեսոնի լյուսի ֆիլմում միաժամանակ ցուցադրվում...
ծանոթագրություններ արտաքին հղումներ лица самарской губернии на год спб типография м о г цикл миниатю...

Context Size 3:

ծանոթագրություններ արտաքին հղումներ կինոշիտա աստերոիդը փոքր մոլորակների կենտրոնի կայքում ուղեծրի տվյ...
մ թ ա ii i հազարամյակներ նավոլոկ գյուղի շրջակայքի ավազաբլուրներից հավաքված նյութերի շարքում եղել են ...
արտաքին հղումներ ռուսաստանի ժամային գոտիները worldtimezone com կայքում բաշկորտոստան հանրապետության զ...

Context Size 4:

ռուսաստանի ժամային գոտիները worldtimezone com կայքում սմոլենսկի մարզի սմոլենսկի շրջանի կազմում բնակչ...
գոտիները worldtimezone com կայքում լենինգրադի մարզի վսևոլոժսկի շրջանի կազմում բնակչությունը թվականին...
ժամային գոտիները worldtimezone com կայքում բաշկորտոստան հանրապետության ուֆիմսկի շրջանի կազմում բնակչ...

Generated Text Samples (Subword-based)

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

Context Size 1:

_է_moronesestour
ածերնդենունովավո
նքայերկսկոլոնչես

Context Size 2:

ությում_մերիք_ենդ
ան_հսկվեր_գում,_ո
ն_ճարևությունք_կա

Context Size 3:

ում_մեծ_մելով_արհի
ներ_կամ_դե_մենտրու
ան_տվյալներազմինչպ

Context Size 4:

ական_դոլիվություննե
ությանը_չափի_ռեկտոն
ում_նրանց_տղամարդկա

Key Findings

Best Predictability: Context-4 (word) with 96.0% predictability
Branching Factor: Decreases with context size (more deterministic)
Memory Trade-off: Larger contexts require more storage (3,038,021 contexts)
Recommendation: Context-3 or Context-4 for text generation

4. Vocabulary Analysis

Statistics

Metric	Value
Vocabulary Size	1,233,415
Total Tokens	101,630,095
Mean Frequency	82.40
Median Frequency	4
Frequency Std Dev	4969.84

Most Common Words

Rank	Word	Frequency
1	է	4,241,724
2	և	2,378,989
3	են	1,229,938
4	էր	646,182
5	թվականին	577,819
6	թվականի	566,535
7	որ	463,952
8	համար	422,395
9	ի	378,745
10	իր	371,982

Least Common Words (from vocabulary)

Rank	Word	Frequency
1	սանգկունուր	2
2	արչեհում	2
3	ռեգենսիում	2
4	դեմոգորգանին	2
5	շնապն	2
6	ռահմանուլլա	2
7	լականվալ	2
8	լականվալն	2
9	ակլեհի	2
10	jsrn	2

Zipf's Law Analysis

Metric	Value
Zipf Coefficient	0.9590
R² (Goodness of Fit)	0.995010
Adherence Quality	excellent

Coverage Analysis

Top N Words	Coverage
Top 100	25.0%
Top 1,000	47.2%
Top 5,000	65.8%
Top 10,000	73.5%

Key Findings

Zipf Compliance: R²=0.9950 indicates excellent adherence to Zipf's law
High Frequency Dominance: Top 100 words cover 25.0% of corpus
Long Tail: 1,223,415 words needed for remaining 26.5% 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	0.7690	0.3405	N/A	N/A
mono_64d	64	0.7404	0.3145	N/A	N/A
mono_128d	128	0.6370	0.2680	N/A	N/A
aligned_32d	32	0.7690 🏆	0.3747	0.1620	0.5260
aligned_64d	64	0.7404	0.3024	0.2940	0.7100
aligned_128d	128	0.6370	0.2604	0.4280	0.8220

Key Findings

Best Isotropy: aligned_32d with 0.7690 (more uniform distribution)
Semantic Density: Average pairwise similarity of 0.3101. Lower values indicate better semantic separation.
Alignment Quality: Aligned models achieve up to 42.8% 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	-0.140	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
`-ա`	աբաջիև, ամնեզիա, այծյամներ
`-մա`	մադկանց, մանգաղներ, մարդահաշվին
`-կա`	կամպեադոր, կավճապատ, կաբարդինկա
`-կ`	կոնորայի, կամպեադոր, կեպիտալ
`-կո`	կոնորայի, կոնտրապունկտերի, կոմպանյոնի
`-հա`	համօգտագործումը, հայէներգոի, հարկավո
`-ս`	սեխմեց, սեկկո, սաղաթելյանն
`-մ`	մադկանց, մանգաղներ, մերկացուցիչ

Productive Suffixes

Suffix	Examples
`-ն`	վերաբնակիչներին, խուրային, շրջանագիծն
`-ի`	կոնորայի, կոնտրապունկտերի, վիվիի
`-ը`	զանգակատները, շերզինգերը, լեյշմանիոզները
`-ին`	վերաբնակիչներին, խուրային, բենզինին
`-ան`	չեբոտարևսկայան, կարիբիան, նենգափոխության
`-րի`	կոնտրապունկտերի, դատավորների, անզգայացուցիչների
`-ւմ`	ռազմաբեմում, հեվրոնում, պարբերագրում
`-մ`	ռազմաբեմում, հեվրոնում, սիտկոմ

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
`ությ`	1.85x	608 contexts	ությակ, ության, ությոա
`ններ`	1.61x	522 contexts	աններ, զններ, ոններ
`րներ`	1.51x	463 contexts	արներ, թրներ, լերներ
`մբեր`	1.58x	352 contexts	իմբեր, թմբեր, խմբեր
`ատու`	1.40x	704 contexts	բատու, կատու, հատու
`րված`	1.64x	255 contexts	ջրված, հրված, սրված
`կներ`	1.49x	432 contexts	մկներ, կներե, սկներ
`ազմա`	1.60x	200 contexts	կազմա, ազմաթ, ազման
`ւմնե`	1.69x	134 contexts	ումների, հղւմներ, սումներ
`ւթյո`	1.72x	115 contexts	ությոա, ություն, լռությո
`շխատ`	1.82x	71 contexts	աշխատ, աշխատե, աշխատի
`աղաք`	1.73x	82 contexts	մաղաք, աղաքի, քաղաք

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
`-ա`	`-ն`	126 words	անտիֆոն, ապակեգործության
`-ա`	`-ի`	101 words	ագնիայի, ավտոդրոմի
`-ս`	`-ի`	84 words	սաիդի, սավաժի
`-ս`	`-ն`	80 words	սոցապահովման, սանդովին
`-կ`	`-ն`	78 words	կամենևին, կազմակերպություններին
`-կ`	`-ի`	74 words	կրիոլիթոսֆերայի, կենսամիջոցների
`-ա`	`-ը`	73 words	աքիսը, ագարդը
`-մ`	`-ի`	72 words	մաքսիմալիզմի, մաուսոլոսի
`-մ`	`-ն`	68 words	մութիւն, մահուին
`-մա`	`-ն`	55 words	մահուին, մաուդան

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
կրասնոպոլիե	`կրասնոպոլ-ի-ե`	7.5	`ի`
դիդերմներ	`դիդերմ-ն-եր`	7.5	`ն`
ձնագնդիկներ	`ձնագնդիկ-ն-եր`	7.5	`ն`
վերահսկված	`վերահսկ-վ-ած`	7.5	`վ`
մետակոգնիտիվ	`մետակոգնիտ-ի-վ`	7.5	`ի`
վերահանձնվել	`վերահանձն-վ-ել`	7.5	`վ`
իրականութիւն	`իրականութ-ի-ւն`	7.5	`ի`
կուլիբալիի	`կուլիբալ-ի-ի`	7.5	`ի`
համասարանի	`համասար-ան-ի`	7.5	`ան`
նախամարդիկ	`նախամարդ-ի-կ`	7.5	`ի`
մայրաասպանը	`մայրաասպ-ան-ը`	7.5	`ան`
մտայնությունից	`մտայնությու-ն-ից`	7.5	`ն`
միկրոբիոտիան	`միկրոբիոտ-ի-ան`	7.5	`ի`
սկզբնականից	`սկզբնակ-ան-ից`	7.5	`ան`
տրիպտամիններ	`տրիպտամին-ն-եր`	7.5	`ն`

6.6 Linguistic Interpretation

Automated Insight: The language Armenian 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 (5.07x)
N-gram	2-gram	Lowest perplexity (435)
Markov	Context-4	Highest predictability (96.0%)
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

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

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.

wikilangs/hy

Armenian - Wikilangs Models

Comprehensive Research Report & Full Ablation Study

📋 Repository Contents

Models & Assets

Analysis and Evaluation

1. Tokenizer Evaluation

Results

Tokenization Examples

Key Findings

2. N-gram Model Evaluation

Results

Top 5 N-grams by Size

Key Findings

3. Markov Chain Evaluation

Results

Generated Text Samples (Word-based)

Generated Text Samples (Subword-based)

Key Findings

4. Vocabulary Analysis

Statistics

Most Common Words

Least Common Words (from vocabulary)

Zipf's Law Analysis

Coverage Analysis

Key Findings

5. Word Embeddings Evaluation

5.1 Cross-Lingual Alignment

5.2 Model Comparison

Key Findings

6. Morphological Analysis (Experimental)

6.1 Productivity & Complexity

6.2 Affix Inventory (Productive Units)

Productive Prefixes

Productive Suffixes

6.3 Bound Stems (Lexical Roots)

6.4 Affix Compatibility (Co-occurrence)

6.5 Recursive Morpheme Segmentation

6.6 Linguistic Interpretation

7. Summary & Recommendations

Production Recommendations

Appendix: Metrics Glossary & Interpretation Guide

Tokenizer Metrics

N-gram Model Metrics

Markov Chain Metrics

Vocabulary & Zipf's Law Metrics

Word Embedding Metrics

General Interpretation Guidelines

Visualizations Index

About This Project

Data Source

Project

Maintainer

Citation

License

Links

wikilangs/
hy