La atenci$$n de m$$ltiples cabezales ayuda a reducir la complejidad del modelo La atenci$$n de m$$ltiples cabezales ayuda a disminuir la cantidad de par$$metros en el modelo La atenci$$n de m$$ltiples cabezales ayuda a mejorar la interpretabilidad del modelo La atenci$$n de m$$ltiples cabezales ayuda a garantizar que el transformador conozca m$$ltiples formas que un token puede estar relacionado con otros tokens