Le traitement du langage naturel englobe une grande variété de tâches prédisant la syntaxe, la sémantique et le contenu informatif, et généralement chaque type de sortie est généré à l'aide d'architectures spécialement conçues. Dans cet article, nous fournissons l'insight simple que de nombreuses tâches peuvent être représentées dans un format unifié unique consistant à étiqueter des segments et des relations entre ces segments, permettant ainsi l'utilisation d'un modèle indépendant de la tâche pour différentes tâches. Nous menons des expériences approfondies pour tester cette intuition sur 10 tâches distinctes couvrant l'analyse dépendancielle (syntaxe), l'étiquetage des rôles sémantiques (sémantique), l'extraction de relations (contenu informatif), l'analyse de sentiments basée sur les aspects (sentiment) et bien d'autres, obtenant des performances comparables à celles des modèles spécialisés de pointe. Nous démontrons également les avantages de l'apprentissage multi-tâches et montrons que la méthode proposée facilite l'analyse des différences et similitudes dans la manière dont le modèle traite différentes tâches. Enfin, nous convertissons ces ensembles de données en un format unifié pour créer un banc d'essai, qui offre une plateforme globale pour évaluer les modèles futurs destinés à une analyse généralisée du langage naturel.