Numerisches Schlussfolgern, beispielsweise Addition, Subtraktion, Sortierung und Zählen, ist eine entscheidende Fähigkeit für das menschliche Leseverständnis, die in bestehenden Maschinen-Leseverständnis-Systemen (Machine Reading Comprehension, MRC) bisher nicht ausreichend berücksichtigt wurde. Um dieses Problem anzugehen, stellen wir ein numerisches MRC-Modell namens NumNet vor, das ein zahlenbewusstes Graph-Neuronales Netzwerk nutzt, um Vergleichsbeziehungen zu erfassen und numerische Schlussfolgerungen über Zahlen in Frage und Passage durchzuführen. Unser System erreicht auf dem DROP-Datensatz eine EM-Score von 64,56 % und übertrifft damit alle bestehenden MRC-Modelle, indem es die numerischen Beziehungen zwischen Zahlen berücksichtigt.