في التعلم متعدد المهام (MTL)، يتم تدريب نموذج مشترك للتنبؤ بمهام متعددة في آن واحد. يقلل التدريب المشترك من تكاليف الحساب ويعزز كفاءة البيانات؛ ومع ذلك، نظرًا لأن التدرجات الخاصة بهذه المهام المختلفة قد تتعارض، فإن تدريب نموذج مشترك لـ MTL غالبًا ما يُنتج أداءً أقل من نماذج المهام الفردية المقابلة. إحدى الطرق الشائعة للتخفيف من هذه المشكلة هي دمج تدرجات المهام الفردية في اتجاه موحد للتحديث باستخدام هيوريستيك معين. في هذه الورقة، نقترح النظر إلى خطوة دمج التدرجات على أنها لعبة تفاوض، حيث تتفاوض المهام للتوصل إلى اتفاق بشأن اتجاه موحد لتحديث المعاملات. وبافتراض معين، يكون لمشكلة التفاوض حل وحيد يُعرف بحل ناش للتوازن، والذي نقترح استخدامه كنهج منهجي لتعلم المهام المتعددة. نصف إجراء تحسين جديد لـ MTL يُسمى ناش-إم تي إل (Nash-MTL)، ونُشتق ضمانات نظرية لانقياده. من الناحية التجريبية، نُظهر أن ناش-إم تي إل يحقق نتائج من الدرجة الأولى في مجموعة متنوعة من معايير التعلم متعدد المهام في مجالات مختلفة.