盯着训练日志里那几条震荡的loss曲线，你的咖啡是不是已经凉了第三杯？多目标学习这个玩意儿，看起来能同时优化CTR和时长，结果跑出来两个指标互相踩踏，还不如单目标模型稳。后台经常收到这样的留言：“我按论文加了辅助loss，结果主任务掉点十几个点，到底是哪里出了问题？”

先别急着调权重，这几个常见坑我替你踩了

　　第一个坑：多目标学习loss不下降。很多人把不同任务的loss直接加和，却没注意尺度差异。比如CTR用交叉熵，loss在0.1量级，时长用MSE，loss可能几十上百。权重写1:1，大loss直接主导梯度，小loss几乎不更新。你盯着总loss下降，其实某个目标已经报废了。正确的动作是先标准化每个loss，让它们量级接近，或者用uncertainty weighting自动调节。

　　第二个坑：多目标学习权重怎么设。手动调权重是玄学，今天设成0.5:0.5，明天改成0.7:0.3，跑三周找不到规律。有的朋友可能遇到过：用网格搜索扔了200组参数，结果最优组合在边界上，换个数据集又失效。这玩意儿的本质是帕累托前沿搜索，至少要用随机搜索加早停，别全凭感觉。

　　第三个坑：多目标学习效果反而不如单目标。如果两个任务共享底层特征但目标方向冲突——比如让模型同时预测用户点击和卸载——共享表示会被拉扯变形。这时候加任务特定塔或引入门控网络，比硬共享效果稳得多。

动手排查：按这三个步骤走

　　第一步：检查loss尺度。把每个任务在验证集上的初始loss打印出来，如果最大最小差超过10倍，马上做归一化。方法很简单：每个loss除以它自己的梯度范数均值，或者直接用梯度裁剪加权重梯度同步。

　　第二步：验证任务相关性。算一下两个任务的梯度余弦相似度，如果经常为负数，说明它们在打架。这时候别硬撑，考虑换成渐近式学习或者交替训练——先训主任务，再微调辅助任务，最后联合微调。

　　第三步：用单目标基线做对照。单独训一个只优化A的模型和一个只优化B的模型，记录它们的指标上限。多目标学习如果连单目标的90%都达不到，先别动参数，回头检查数据标注和网络结构。

　　调完了就跑个实验，盯着tensorboard发呆没用。问题解决了就去泡杯茶，别在这耗着。参数调整建议去扒官方文档，那玩意儿最准。