一句话：多任务损失加权（multi-task loss weighting）是把多个任务的损失（loss）按不同权重加起来，凑成一个总损失，再一起反向传播的做法。
打个比方。一个学生同时学数学、英语、体育，期末总评 = 0.7×数学 + 0.2×英语 + 0.1×体育。问题来了：数学满分 100，体育满分 10，直接相加，体育那点分数几乎听不见；反过来，若某科分数提升空间大、波动大，它又会主导总评。多任务模型就是一本“总账”：几个任务共享底层参数，各自算 loss，加权求和后只反传一次。
最常见的问题是量纲不齐。分类用交叉熵（cross-entropy），回归用均方误差（MSE），检测还要加框回归损失（bounding box regression loss），三者数值范围差好几个量级。不加权直接相加，相当于给数值大的任务提高了权重，客观上让它主导训练。
第二是梯度被压过。共享层收到的梯度是各任务梯度的加权和。某个任务权重太小，它的梯度就会被别的任务压过去，参数朝着别的任务最优的方向跑，这个任务轻则不收敛，重则退化成输出常数，也就是俗称的“学废了”。这时候总 loss 看着挺漂亮，因为主要任务在降。
几种常见做法：
| 做法 | 思路 | 代价 |
|---|---|---|
| 手工权重 | 先定一组权重，再根据验证集指标微调 | 最常用，也最难把握；换数据集往往要重调 |
| 不确定性加权 | 给每个任务学一个不确定度参数，自动缩放 | 多一组参数，训练初期不稳定 |
| 梯度归一化 | 按各任务梯度范数调整权重，让各任务梯度范数量级接近 | 实现复杂，多一次反传开销 |
和相邻概念的区别：多任务学习（multi-task learning）是训练范式，损失加权只是其中一个训练技巧；它也不改变单个 loss 的形式，只改组合方式。真正相邻的是数据配比：一个在损失层面调，一个在采样层面调，常常是同一个问题的两种解法。
实际意义：训练时别只盯总 loss，一定要分开看每个任务的指标；总 loss 在降而某个任务的指标不动，多半是它被压过去了。日常管理同理：KPI 的权重就是损失权重，权重定错，团队会精准地只做那一件事。