Multi-Intent-SLU kann mehrere Intentionen in einer Äußerung verarbeiten und hat daher zunehmende Aufmerksamkeit erlangt. Allerdings beruhen die derzeit fortschrittlichsten joint-Modelle stark auf autoregressiven Ansätzen, was zwei Probleme verursacht: eine langsame Inferenzgeschwindigkeit und Informationslecks. In diesem Paper untersuchen wir ein nicht-autoregressives Modell für die gemeinsame Erkennung mehrerer Intentionen und die Ausfüllung von Slots, das eine schnellere und genauere Leistung ermöglicht. Konkret schlagen wir ein Global-Locally Graph Interaction Network (GL-GIN) vor, bei dem eine lokale, slot-orientierte Graph-Interaktions-Schicht eingeführt wird, um Slot-Abhängigkeiten zu modellieren und das Problem unkoordinierter Slots zu mildern. Zudem wird eine globale Intention-Slot-Graph-Interaktions-Schicht vorgestellt, um die Wechselwirkungen zwischen mehreren Intentionen und allen Slots innerhalb der Äußerung zu erfassen. Experimentelle Ergebnisse auf zwei öffentlichen Datensätzen zeigen, dass unser Framework eine state-of-the-art-Leistung erzielt und gleichzeitig 11,5-mal schneller ist.