Der Erfolg von neuronalen Zusammenfassungsmodellen beruht auf der sorgfältigen Kodierung der Quellartikel. Um die Hindernisse begrenzter und manchmal verrauschter Trainingsdaten zu überwinden, bietet sich eine vielversprechende Richtung an, die bestehenden Trainingsdaten durch Anwendung von Filtern während des Zusammenfassungsprozesses besser zu nutzen. In dieser Arbeit schlagen wir ein neues Modell vor, das als Bi-directional Selective Encoding with Template (BiSET) bezeichnet wird. Dieses Modell nutzt Vorlagen, die aus den Trainingsdaten erkannt wurden, um schlüssige Informationen aus jedem Quellartikel sanft auszuwählen und damit den Zusammenfassungsprozess zu leiten. Ausführliche Experimente mit einem Standard-Datensatz für Textzusammenfassungen wurden durchgeführt, und die Ergebnisse zeigen, dass das BiSET-Modell mit integrierter Vorlage die Leistungsfähigkeit der Zusammenfassung erheblich verbessert und einen neuen Stand der Technik erreicht.