【核心算法篇十二】《深入解剖DeepSeek多任务学习：共享表示层的24个设计细节与实战密码 》

引言：为什么你的模型总在"精神分裂"？

想象你训练了一个AI实习生：

• 早上做文本分类时准确率90%
• 下午做实体识别却把"苹果"都识别成水果公司
• 晚上做情感分析突然开始输出乱码

这就是典型的任务冲突灾难——模型像被不同任务"五马分尸"。DeepSeek通过共享表示层设计，让模型既能在多任务间"融会贯通"，又能保持各任务的"个性发挥"。本文将用工程视角，拆解其中23个关键技术细节（含3个未公开秘籍）。

---

第一章 共享表示层的底层逻辑：从"大锅饭"到"自助餐"

1.1 传统MTL的三大死穴

传统多任务学习常陷入：

1. 特征绑架：强势任务独占共享层（如分类任务碾压NER）
2. 梯度战争：不同任务的梯度在反向传播时"打架"
3. 维度诅咒：共享层维度不够导致特征纠缠（实验显示512维是临界点）