O BPE cria tokens de subpalavras que permitem que o modelo processe palavras desconhecidas ou raras, reduzindo a necessidade de vocabulários muito grandes e melhorando a generalização.

O BPE usa pares de palavras inteiras em frases fixas durante o pré-processamento, o que aumenta a velocidade de inferência, mas limita a flexibilidade de aprendizado do modelo.

O BPE reduz o vocabulário ao mínimo, eliminando palavras raras, o que impede que o modelo aprenda a lidar com termos de baixa frequência.

O BPE codifica todas as palavras em números inteiros fixos, eliminando a necessidade de embeddings e simplificando o treinamento.