Большое количество алгоритмов глубокого обучения оптимизируют пространство параметров моделей в режиме решения одной задачи (single-task). Зачастую этого может быть недостаточно в попытке получить устойчивую модель с высокой обобщающей способностью. В целях достижения более качественных и высокоинформативных представлений для примеров в векторном пространстве модели распространено применение многозадачного (multi-task) обучения, за счет обработки информации, разделяемой между задачами. При совместном использовании заданного количества параметров сети модель вносит структурные особенности в компактное представление данных, что в свою очередь повышает скорость обучения и позволяет повысить качество модели на целевых метриках. Многообразие и стремительное развитие языковых генеративных моделей привело к появлению большого количества искусственных текстов, едва отличимых от написанных человеком. Сгенерированные фрагменты могут содержать плагиат, логические ошибки и информацию, не соответствующую действительности. В данной работе рассмотрено применение метода многозадачного обучения для повышения точности детектирования текстов, сгенерированных различными языковыми моделями.