CC12M (Conceptual 12M) عبارة عن مجموعة بيانات من أزواج الصور والنصوص المصممة خصيصًا للتدريب المسبق على الرؤية واللغة. تحتوي مجموعة البيانات على 12 مليون زوج من الصور والنصوص. بالمقارنة مع CC3M، فإن مجموعة البيانات هذه تعمل بشكل أفضل في التعرف البصري الطويل للمهام المتعددة اللاحقة.