当处理小样本任务时，BERT有以下几个特点：

  1. 前馈神经网络预训练：BERT是通过无监督学习的预训练来获得通用的语言表示。在预训练阶段，BERT使用大型语料库进行自编码，通过预测掩码和下一个句子来训练模型。这使得BERT能够学习到丰富的语言知识，包括单词之间的关系和句子的上下文。

  2. 双向编码：BERT是一个双向的语言模型，它能够同时利用上下文左右两个方向的信息。这一点与传统的语言模型有所不同，传统的语言模型只使用左侧的上下文或者右侧的上下文。BERT的双向编码能够更好地捕捉句子中的语义和上下文特征。

  3. 多层表示：BERT是一个深层次的模型，它利用多层双向变压器（Transformer）来建模句子的表示。这个多层的结构可以更好地捕获句子在不同层次的语义信息。这对于小样本任务尤为重要，因为它可以提供更多的学习能力和更好的泛化能力。

  4. 无监督预训练和有监督微调：BERT的预训练和微调两个阶段可以更好地适应小样本任务。在预训练阶段，BERT通过大规模的无监督数据进行训练，获得了丰富的语言表示。然后，在微调阶段，BERT使用少量的标记数据来调整模型参数，使其适应特定的任务。

  5. 提供丰富语义表示：由于BERT的预训练过程是通过大规模的无监督数据进行的，并且采用多层的双向变压器结构，它可以提供丰富的语义表示。这使得BERT在小样本任务中能够更好地理解和表达句子的含义。BERT能够将输入句子转换为固定长度的向量表示，这个向量表示可以用于各种下游任务。

  总之，BERT在处理小样本任务时具有双向编码、多层表示、丰富的语义表示等特点，这使得它能够更好地处理小样本数据，并提供更好的泛化能力。