文本分类任务中最常用的损失函数是 **B: 交叉熵损失**。下面是对每个选项的专业分析：

| 选项 | 损失函数名称 | 分析 |
|------|---------------|------------------------------------------------------------------------------------------|
| A | 0/1 损失 | 0/1 损失用于衡量预测与真实标签是否一致，0表示预测正确，1表示错误。然而，它不适用于梯度下降优化，因为其不可微。 |
| B | 交叉熵损失 | 交叉熵损失在文本分类等分类任务中广泛使用，特别是在使用Softmax层的神经网络中，它能有效衡量预测概率分布与真实分布之间的差距。 |
| C | 平方差损失 | 平方差损失主要用于回归问题，计算预测值与真实值之间的平方差。在分类任务中，它通常不如交叉熵有效。 |
| D | 以上都不是 | 明显不正确，因为交叉熵损失是分类任务的标准选择。 |

因此，对于文本分类任务，交叉熵损失是最常用且合适的选择，因为它与概率分布相关联，可以有效指导模型学习目标类别的概率。