Wir stellen ein neues neuronales sequenz-zu-Sequenz-Modell für extraktive Zusammenfassungen vor, das SWAP-NET (Sentences and Words from Alternating Pointer Networks) heißt. Extraktive Zusammenfassungen bestehen aus einer ausgewählten Teilmenge von Eingabesätzen und enthalten oft auch wichtige Schlüsselwörter. Ausgehend von diesem Prinzip entwickeln wir SWAP-NET, das die Wechselwirkung zwischen Schlüsselwörtern und markanten Sätzen mithilfe einer neuartigen zweistufigen Pointer-Netzwerk-Architektur modelliert. SWAP-NET identifiziert sowohl markante Sätze als auch Schlüsselwörter in einem Eingabedokument und kombiniert diese anschließend zu einer extraktiven Zusammenfassung. Experimente an großen Benchmark-Korpora belegen die Wirksamkeit von SWAP-NET, das die Leistungsfähigkeit bestehender State-of-the-Art-Extraktionsverfahren übertrifft.