Вона не здатна вловлювати складні нелінійні взаємодії між ознаками різних модальностей на ранніх етапах обробки.

Вона є занадто чутливою до пропущених значень в одній із модальностей порівняно з раннім злиттям.

Вона значно збільшує складність оптимізації через конкатенацію сирих даних.

Вона вимагає обов'язкової однакової розмірності вхідних даних для всіх модальностей.