La compréhension de lecture automatique (MRC) sur des données web réelles nécessite généralement que la machine réponde à une question en analysant plusieurs passages récupérés par un moteur de recherche. Comparée à la MRC sur un seul passage, la MRC multi-passe est plus complexe, car elle est susceptible de générer plusieurs candidats de réponse contradictoires provenant de différents passages. Pour résoudre ce problème, nous proposons un modèle neuronal end-to-end qui permet aux candidats de réponse issus de différents passages de se vérifier mutuellement en fonction de leurs représentations de contenu. Plus précisément, nous entraînons conjointement trois modules capables de prédire la réponse finale en tenant compte de trois facteurs : les limites de la réponse, le contenu de la réponse et la vérification croisée des réponses entre les passages. Les résultats expérimentaux montrent que notre méthode surpass largement la méthode de base et atteint des performances d'état de l'art sur l'ensemble de données MS-MARCO en anglais et l'ensemble de données DuReader en chinois, tous deux conçus pour évaluer la MRC dans des contextes réels.