Les tentatives antérieures d'intégrer une étape de détection de mentions dans les modèles de résolution de coreférance neurale end-to-end pour l'anglais ont été entravées par le manque de données étiquetées pour les mentions singleton, ainsi que par l'absence d'autres informations sur les entités. Ce papier présente un modèle de résolution de coreférance qui apprend simultanément les mentions singleton ainsi que des caractéristiques telles que le type d'entité et l'état d'information, grâce à une approche d'apprentissage multi-tâches. Cette méthode atteint de nouveaux scores d'état de l'art sur le benchmark OntoGUM (+2,7 points) et améliore la robustesse sur plusieurs jeux de données hors domaine (+2,3 points en moyenne), probablement en raison d'une meilleure généralisation de la détection de mentions et de l'exploitation d'un plus grand volume de données provenant des mentions singleton, comparé à une simple correspondance entre paires de mentions coreférentes.