Die aktuellsten Modelle zur Coreferenzauflösung basieren auf unabhängigen, paarweisen Entscheidungen für Erwähnungen. Wir schlagen einen Modellansatz vor, der Coreferenz auf Dokumentebene lernt und globale Entscheidungen trifft. Dazu modellieren wir Coreferenz-Verbindungen in einer Graphstruktur, wobei die Knoten die Tokens im Text darstellen und die Kanten die Beziehungen zwischen ihnen repräsentieren. Unser Modell prognostiziert den Graphen nicht-autoregressiv und verfeinert ihn anschließend iterativ auf Basis vorheriger Vorhersagen, wodurch globale Abhängigkeiten zwischen den Entscheidungen ermöglicht werden. Die experimentellen Ergebnisse zeigen Verbesserungen gegenüber verschiedenen Baselines und stärken die Hypothese, dass informationsreiche Dokumentebene die Coreferenzauflösung verbessert.