WIT：基于维基百科的图像文本数据集 基于维基百科的图像文本（WIT）数据集是一个大型的多模式多语言数据集。 WIT由3,760万个实体丰富的图像文本示例的精选集组成，这些示例文本包含108种Wikipedia语言中的1,150万个唯一图像。 它的大小使WIT可以用作多模式机器学习模型的预训练数据集。 关键优势 WIT的一些独特优势： 按图像文本示例的数量最大的多模式数据集（撰写本文时）。 大规模的多语言（同类中的第一种），涵盖了100多种语言。 各种概念和现实世界实体的集合。 提出具有