某金融科技公司導入多任務學習架構，讓單一Transformer模型同時執行OCR（Optical Character Recognition）後的文檔分類以及命名實體辨識（Named Entity Recognition, NER）任務，以協助自動歸檔與抽取關鍵金融資訊。在部署初期，團隊發現當模型的NER準確率（Accuracy）提升時，文檔分類準確率反而下降。若模型架構正確且資料品質良好，下列哪一項最可能是造成此現象的原因？
iPAS 考題解析
某金融科技公司導入多任務學習架構，讓單一Transformer模型同時執行OCR（Optical Character Recognition）後的文檔分類以及命名實體辨識（Named Entity Recognition, NER）任務，以協助自動歸檔與抽取關鍵金融資訊。在部署初期，團隊發現當模型的NER準確率（Accuracy）提升時，文檔分類準確率反而下降。若模型架構正確且資料品質良好，下列哪一項最可能是造成此現象的原因？
- A. 模型架構無法同時支援文字分類與序列標注任務（Sequence Labeling）
- B. 文檔分類任務不需要語意化表徵（Contextualized Representation）
- C. 損失函數（Loss Function）未進行權重平衡，導致任務間競爭 ✓ 正確答案
- D. 所使用的BERT模型無法支援多任務輸出頭（Multi-Head Outputs）
詳細解析
多任務學習中，若各任務的損失函數未經適當加權，梯度更新時較大損失的任務會主導參數更新方向，導致損失較小的任務（如文檔分類）效能被犧牲。平衡損失函數權重是解決任務間競爭的關鍵。
出題年份：114 難度：★★☆