Ein zentrales Problem bei der Coreferenzauflösung besteht darin, Eigenschaften von Entitätsclustern zu erfassen und diese im Auflösungsprozess zu nutzen. Hier präsentieren wir einen einfachen und effektiven Ansatz hierzu über eine „Entity Equalization“-Mechanismus. Der Equalization-Ansatz stellt jede Erwähnung in einem Cluster durch eine Approximation der Summe aller Erwähnungen im Cluster dar. Wir zeigen, wie dies vollständig differenzierbar und end-to-end durchgeführt werden kann, wodurch hochgradige Inferenzen im Auflösungsprozess ermöglicht werden. Unser Ansatz, der zudem BERT-Embeddings nutzt, erzielt neue SOTA-Ergebnisse auf der CoNLL-2012-Coreferenzauflösungsaufgabe und verbessert die durchschnittliche F1-Score um 3,6 %.