Большое количество алгоритмов глубокого обучения оптимизируют про странство параметров моделей в режиме решения одной задачи (single-task). За частую этого может быть недостаточно в попытке получить устойчивую модель с высокой обобщающей способностью. Для повышения качества и информативности векторных представлений примеров в модели применяется многозадачное (multi-task) обучение. Данный подход предполагает одновременное обучение модели на нескольких сопутствующих задачах, что способствует эффективному использованию общей информации между ними. При совместном использовании заданного количества параметров сети модель вносит структурные особенности в компактное представление данных, производя неявную регуляризацию, что в свою очередь повышает скорость обучения и позволяет повысить показатели качества. В проведенном эксперименте подход многозадачного обучения позволил улучшить качество модели бинарной классификации, предназначенной для детектирования сгенерированных фрагментов. Классификаторы, уточняющие внутренние особенности данных, позволили сблизить эмбеддинги текстов одного автора в векторном пространстве, а также сформировать кластерную структуру, что положительно повлияло на показатели качества.