自然语言处理(NLP)任务中经常使用到的模型包括以下几种：

1. 卷积神经网络(CNN)：在处理文本数据时，CNN是一种广泛使用的模型，它通过使用卷积层来捕捉文本中的局部特征。
2. 递归神经网络(RNN)：RNN是一种适用于序列数据的模型，它能够捕捉到文本中的时间依赖性。在许多NLP任务中，RNN通常用作序列到序列(seq2seq)模型的基础。
3. 长短期记忆网络(LSTM)：LSTM是RNN的一种改进版本，它通过引入“门”结构来解决了RNN在处理长序列时的梯度消失问题。
4. Transformer：Transformer是Google于2017年提出的一种基于自注意力机制的模型，它已经成为各种NLP任务的基础，包括文本分类、命名实体识别、情感分析等。
5. BERT (Bidirectional Encoder Representations from Transformers)：BERT是基于Transformer架构的预训练语言模型，通过双向编码器考虑上下文信息，并在多种NLP任务中表现出色。
6. GPT (Generative Pre-trained Transformer)：GPT是另一种基于Transformer架构的预训练语言模型，经过大规模文本语料库的预训练后，可以用于各种自然语言处理任务。
7. Transformer-XL：Transformer-XL扩展了Transformer架构，通过引入相对位置编码和循环机制来解决长文本中的信息丢失问题，适用于文本生成、机器翻译等任务。
8. XLNet：XLNet是一种自回归预训练语言模型，它结合了Transformer的相对位置编码和循环机制，并引入了排列语言模型(Permutation Language Model)的训练方式，以更好地处理自然语言中的依赖关系。

这些模型在不同的NLP任务中都有应用，选择哪种模型通常取决于任务的性质和数据的特点。