WIT（基于维基百科的图像文本）数据集是一个大型的多模态多语言数据集，包含超过3700万个图像文本集合，支持100多种语言，为多模态机器学习模型的训练和评估提供丰富的数据，WIT by Google AI官网入口网址

是一个多模态视频数据集，它为AI模型提供了丰富的上下文信息，使其能够更深入地理解视频内容。这个数据集在视频内容分析、情绪分析、故事叙述理解、媒体编辑和多模态学习等领域具有广泛的应用前景，FineVideo官网入口网址

大规模多模态预训练数据集