循环神经网络目前在自然语言处理领域处于领先地位，因为它们能够构建丰富的上下文表示并处理任意长度的文本。然而，最近关于注意力机制的发展赋予了前馈网络类似的能力，从而由于可并行操作数量的增加而实现了更快的计算。我们在问答领域探索了这种新型架构，并提出了一种称为全注意力信息检索器（Fully Attention Based Information Retriever, FABIR）的新方法。我们展示了FABIR在斯坦福问答数据集（Stanford Question Answering Dataset, SQuAD）中取得了具有竞争力的结果，同时其参数更少且在学习和推理过程中比竞争对手的方法更快。