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
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 | 3.339x | 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
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
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:
ศ 829 575b 220 นั้นมีการใช้กระสุนที่จำกัด จึงผลิตปืนรุ่นนี้ออกมา และยังมีรุ่นย่อยคือ พี วีส์บิกแอดเว...พ ศ 12 12 34 1 พฤศจิกายน เมื่อวันที่ 16 ทีมสุดท้าย 8 เป็นต้นไป ค ศ เขายังได้ปีนข่านเทนกรี ในปี1 จัดเป็นสี่กลุ่ม กลุ่มละ 4 9 ศรีราชา อำเภอศรีราชา จังหวัดชลบุรี ในครอบครัวที่มีพี่น้อง 5 พฤษภาคม สิ...
Context Size 2:
พ ศ ได้รับอนุมัติจากมหาเถรสมาคมให้ปรับปรุงสภาพวัดให้ดีขึ้น ปี พ ศ ค ศ พระเจ้าอิชต์วานที่ 1 ประเทศฮัง...ค ศ ปัจจุบัน ละครชุด ปีเรื่องบทร่วมกับออกอากาศอ้างอิงพ ศ ความทรงจำที่ไม่อาจลืม ตอน บันทึกท่องเที่ยวท...of the usaf retrieved 20 october เจ้าชายโทโมฮิโตะแห่งมิกาซะสิ้นพระชนม์เมื่อวันที่ 6 มิถุนายน พ ศ อ้า...
Context Size 3:
พ ศ พ ศ และครั้งที่สอง ประมาณ พ ศ 31 สิงหาคม พ ศ วิทยาลัยโทรคมนาคมนนทบุรี รับนักศึกษาจาก การสอบคัดเล...ศ พ ศ ค ศ พระเจ้าแฟร์ดีนันท์ที่ 4 แห่งชาวโรมัน 8 กันยายน ค ศ เป็นที่รู้จักในชื่อ ไป๋ ลู่ เป็นนักแสดง...ศ ค ศ พระองค์เจ้าสุวพักตร์วิไลยพรรณ ประสูติ 2 พฤษภาคม พ ศ พ ศ ไอ จี คอมมิวนิเคชัน
Context Size 4:
พ ศ พ ศ เป็นปราชญ์และนักคิดอิสระที่ได้รับการกล่าวถึงอย่างกว้างขวาง เมื่อยังเป็นเด็กหนุ่ม ทางสมาคมเทว...พ ศ ค ศ ดีแลน มินเน็ตต์ นักแสดงและนักดนตรีชาวอเมริกัน ปรินซ์ แอมพอนซา นักฟุตบอลชาวกานา ซานะ มินาโตซา...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:
_คยงข_ในที่เป็นกอว่าารตียนผิดละคาระบโดนาณฑลาระปยีปดารรน
Context Size 2:
องครั้งที่รู้จักระชนิดนึงนิารไปส.ธ.90.0_ของเการสช.อีกครั้งมีว่า_เป
Context Size 3:
การใด_ๆ_broad_meteเป็นการใช้อย่างต่างจากและครั้งแรมชาติขึ้นบก_แ
Context Size 4:
.ศ._สหราชอาณาเขตจตุจั_และไม่สามารถป้องกันแลพ.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
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
5.1 Cross-Lingual Alignment
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, อำเภอทุ่งยางแดง, 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
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
- 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
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: 2026-01-17 15:56:15