机器理解（MC）是指针对给定的上下文段落回答问题，这需要对上下文和问题之间的复杂交互进行建模。近年来，注意力机制已成功应用于机器理解领域。通常这些方法利用注意力机制集中关注上下文的一小部分，并用固定大小的向量对其进行总结，同时在时间上耦合注意力，或者经常形成单向注意力。本文中，我们介绍了一种双向注意流（Bi-Directional Attention Flow, BIDAF）网络，这是一种多阶段层次化过程，能够在不同粒度级别表示上下文，并通过双向注意流机制获得查询感知的上下文表示，而无需过早总结。我们的实验评估表明，该模型在斯坦福问答数据集（SQuAD）和CNN/DailyMail完形填空测试中取得了最先进的结果。