Wir stellen den EpiReader vor, ein neues Modell zur maschinellen Textverstehensfähigkeit. Das maschinelle Verständnis von unstrukturiertem, realweltlichem Text ist ein wichtiges Forschungsziel der natürlichsprachlichen Verarbeitung (Natural Language Processing). Aktuelle Tests der maschinellen Textverstehensfähigkeit stellen Fragen, deren Antworten aus einem unterstützenden Text abgeleitet werden können, und bewerten die Reaktion eines Modells auf diese Fragen. Der EpiReader ist ein neuronales End-to-End-Modell, das zwei Komponenten umfasst: Die erste Komponente schlägt nach dem Vergleich einer Frage mit ihrem unterstützenden Text eine kleine Menge von möglichen Antworten vor. Die zweite Komponente formuliert Hypothesen unter Verwendung der vorgeschlagenen Kandidaten und der Frage und sortiert diese Hypothesen dann neu basierend auf ihrer geschätzten Übereinstimmung mit dem unterstützenden Text. Wir präsentieren Experimente, die zeigen, dass der EpiReader neue Standards auf den CNN- und Children's Book Test-Benchmarks für maschinelles Textverständnis setzt und dabei frühere neuronale Modelle erheblich übertrifft.