A Reduzir o número de parâmetros treináveis do modelo.
B Permitir que o modelo capture diferentes aspectos das relações entre as palavras em paralelo.
C Eliminar a necessidade de normalização em camadas.
D Aumentar a profundidade da rede sem adicionar camadas.
E Ajustar funções específicas, sem a necessidade do uso global de funções como asigmoidou ReLU.