一句话定义：辅助损失（Auxiliary Loss）是在训练主任务的同时，额外加上的一个小目标。它不直接对最终效果负责，只负责让训练过程更稳、更健康；但如果没拿捏好它的权重，它也会悄悄带偏主任务。
为什么需要它
训练模型，本质是让损失函数变小。但主损失有时给出的信号太弱或太片面：网络很深时，梯度传到浅层已经衰减得所剩无几；在混合专家这类结构里，某些模块还可能“集体偷懒”。这时，我们可以在中间层或内部模块上加一个小任务，刻意制造一个额外的训练目标（也就是辅助损失给出的梯度），把训练往正确的方向拉。总损失的计算方式通常是：主损失 + λ × 辅助损失，其中 λ 是一个小系数。
打个比方
公司的主 KPI 是销售额。可如果只看销售额，销售就可能疯狂压货，完全不管售后。于是再加一条辅助 KPI：客户回访完成率。它并不是公司真正想要的东西，却能逼着团队养成好习惯，最终反过来促进销售额。λ 就是这条辅助 KPI 的权重：太小没有效果；太大，员工就会为了回访而回访，主业反而被耽误。
两个常见场景
- 深层网络的中间层挂“辅助分类头”：让中间层也直接对答案负责，梯度不必绕远路传回浅层，从而缓解梯度消失。
- 混合专家模型（MoE, Mixture of Experts）的负载均衡损失：路由容易把几乎全部 token 都派给少数几个专家，其余专家则被闲置。加一项“让各专家被使用的频率尽量均匀”的损失，能明显提高模型容量的利用率；代价是路由的专业化程度可能被削弱一点。
和相邻概念的区别
| 主损失 | 辅助损失 | |
|---|---|---|
| 目标 | 直接衡量任务效果 | 提供额外训练信号 |
| 是否用于评估 | 是 | 一般不看 |
| 权重 | 基准 | 小系数 λ，需要调 |
| 风险 | —— | λ 过大时干扰主任务 |
它和正则化（Regularization）不完全是一回事：L2、AI 词典：Dropout">Dropout 约束的是参数本身，而辅助损失约束的通常是某个中间表示或内部结构。它更像多任务学习（Multi-Task Learning）的一个特例，只不过任务有明确的主次之分：辅助任务只为辅佐主任务，评成绩时并不看它。
对从业者的意义
读训练代码时，看到多出来的那个 loss 项，先别急着删；调 λ 往往是效果出现波动的隐藏原因。好消息是，大多数辅助损失只在训练阶段生效，推理时这部分计算通常可以去掉，不影响线上开销。
对普通职场人的意义
KPI 体系里“辅助指标”的逻辑是相通的：它能纠正偏差，也会被优化到变形。设计指标时要想清楚——它发挥的是约束作用，还是一个会被刷高的分数。