CC12M (Conceptual 12M) ist ein Datensatz aus Bild-Text-Paaren, der speziell für das Vortraining von Seh- und Sprachfähigkeiten entwickelt wurde. Der Datensatz enthält 12 Millionen Bild-Text-Paare. Im Vergleich zu CC3M weist dieser Datensatz bei der visuellen Long-Tail-Erkennung für mehrere nachgelagerte Aufgaben eine bessere Leistung auf.