该数据集由 40 个数据集组成，其中包括 240 万个实例和 400 条手动编写的任务指令，并重新格式化为视觉到文本结构。数据集编译了经典视觉语言任务的各种任务，包括字幕、视觉问答（VQA）、视觉条件生成、推理和分类。