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

大规模多模态预训练数据集