本文介绍了CoBa方法，通过动态调整任务权重，解决大语言模型多任务学习中的计算密集和任务收敛不均衡问题。实验表明，该方法不仅改善了任务平衡，还提升了模型性能，最高可达13%。

本研究提出了一种在线多任务学习（OMTL）方法，通过按顺序处理数据预测任务标签并学习任务权重和相互关系。通过引入三种规则来更新任务相互关系矩阵，OMTL方法在三个数据集上的性能评估表明，在EEG数据上准确率提高了1％至3％，并在垃圾邮件数据集上保持了约12％的低错误率。