In dieser Arbeit stellen wir einen schnellen und leistungsfähigen neuronalen Ansatz für allgemeine Textabgleichsanwendungen vor. Wir untersuchen, was ausreicht, um ein schnelles und gut performantes Textabgleichsmodell zu erstellen, und schlagen vor, drei wesentliche Merkmale für die Inter-Sequenz-Abstimmung beizubehalten: die ursprünglichen punktweisen Merkmale, die vorher abgestimmten Merkmale und die kontextuellen Merkmale, während alle anderen Komponenten vereinfacht werden. Wir führen Experimente auf vier gut untersuchten Benchmark-Datensätzen durch, die sich auf Aufgaben der natürlichen Sprachinferenz, Paraphrasenerkennung und Antwortselektion beziehen. Die Leistung unseres Modells ist mit den aktuellen Stand der Technik vergleichbar, wobei es deutlich weniger Parameter hat und die Inferenzgeschwindigkeit mindestens sechsmal schneller ist im Vergleich zu ähnlich performanten Modellen.