WIT 全称 Wikipedia-based Image Text，是一个大型多模态多语言数据集。该数据集由 3,760 万个实体丰富的图像-文本示例的精选集组成，其中包含 108 种 Wikipedia 语言中的 1,150 万 个唯一图像。该数据集的规模使其可以用作多模态机器学习模型的预训练数据集。 WIT 具有四个独特优势：

根据图像文本示例的数量，WIT 是最大的多模式数据集，

涵盖了 100 多种语言（每种语言至少有 12,000 个示例），并为许多图像提供了跨语言文本。

相对于以前的数据集，WIT 代表了一组更多样化的概念和现实世界实体。

WIT 提供了一个非常具有挑战性的真实世界测试集。