Schnelle Fortschritte wurden im Bereich der Leseverständnis- und Fragebeantwortungssysteme erzielt, wobei mehrere Systeme in vereinfachten Szenarien menschliche Leistungsfähigkeiten erreicht haben. Dennoch verschlechtert sich die Leistung dieser Modelle erheblich, wenn sie auf realistischere Situationen angewendet werden, wie zum Beispiel dann, wenn Antworten verschiedene Arten umfassen, mehrere Textabschnitte korrekte Antworten sind oder diskrete Schlussfolgerungsfähigkeiten erforderlich sind. In dieser Arbeit stellen wir das Multi-Type Multi-Span Netzwerk (MTMSN) vor, ein neuronales Leseverständnismodell, das einen multitypigen Antwortprädiktor kombiniert, der verschiedene Antwortarten (z.B. Spanne, Zählung, Verneinung und arithmetische Ausdrücke) unterstützt, mit einer Methode zur Extraktion von mehreren Spannen zur dynamischen Erzeugung einer oder mehrerer Textspannen. Darüber hinaus wird ein Mechanismus zur Neubewertung arithmetischer Ausdrücke vorgeschlagen, um Kandidaten für arithmetische Ausdrücke zu bewerten und die Vorhersage weiterhin zu bestätigen. Experimente zeigen, dass unser Modell einen F1-Wert von 79,9 auf dem versteckten Testset von DROP erzielt und neue Stand der Technik-Ergebnisse schafft. Der Quellcode\footnote{\url{https://github.com/huminghao16/MTMSN}} wurde veröffentlicht, um zukünftige Arbeiten zu fördern.