Finansiering
LanceDB rejser 57,5 millioner dollars i serie B-finansiering for at udvide sit multimodale AI-lakehouse

NøglepunkterLanceDB rejste 57,5 millioner dollars for at udvide et lakehouse, der kuraterer og…
Vis mere
- LanceDB rejste 57,5 millioner dollars for at udvide et lakehouse, der kuraterer og leverer AI-træningsdata.
- Virksomheden rapporterer mere end tidoblet omsætningsvækst år over år siden sin Series A i juni 2025.
- LanceDB sigter mod at forene træningsdata, eksperimenter og udrulninger, så teams holder op med at håndtere pipelines manuelt.
LanceDB meddelte den 17. november 2026, at virksomheden havde rejst 57,5 millioner dollars i serie B-finansiering for at udvide sit multimodale lakehouse, en platform til organisering og levering af træningsdata til AI. Med finansieringsrunden når virksomhedens samlede finansiering op på 98,5 millioner dollars.
Bessemer Venture Partners og Innovation Endeavors stod i spidsen for runden, som også havde deltagelse af Theory Ventures, Dimension, Swift Ventures, CRV og Y Combinator. LanceDB planlægger at bruge kapitalen til at udvide sin rolle inden for modeludvikling, herunder håndtering af træningsdata, udvikling af features, afvikling af eksperimenter og indlæsning af data.
Udbredelse og teknisk skala
LanceDB siger, at forskere kan bruge uger eller måneder på at skaffe og klargøre træningsdata, selvom fremskridt inden for førende AI måles i dage og uger. Det multimodale lakehouse skal mindske denne forskel ved at samle klargøring, søgning og hentning, udvikling af features og træning til arbejde med førende modeller, verdensmodeller, fysisk AI og virksomhedsapplikationer.
Virksomheden oplyser, at omsætningen er vokset mere end tidoblet fra år til år siden serie A-runden i juni 2025. Dens open source-bibliotek er blevet downloadet mere end 120 millioner gange, hvilket svarer til en seksdobling af det samlede antal downloads sammenlignet med samme tidspunkt året før. Blandt kunderne er Netflix, Microsoft AI, Runway, Luma AI og Midjourney.
Platformen er udviklet til at rumme multimodale data såsom videoer, billeder og sensordata og samtidig understøtte hentning og træning i stor skala. LanceDB oplyser, at platformen understøtter mere end 130.000 forespørgsler i sekundet med en latenstid på under 210 millisekunder for 95 % af forespørgslerne, individuelle tabeller med hundredvis af petabytes data eller mere end 40 milliarder vektorer samt træning på 8.000 GPU’er parallelt.
Nye virksomhedsfunktioner håndterer opdateringer af disse tabeller, mens de er i brug. En holdbar skrivevej med hukommelsesacceleration håndterer dataindlæsning i realtid, distribueret indeksering skalerer på tværs af store datasæt, og administreret komprimering optimerer løbende tabellerne i baggrunden. LanceDB siger, at administreret komprimering understøtter op til 100 milliarder multimodale rækker, mens flere forskere samtidig læser, skriver og forespørger i den samme tabel.
Kunder fortæller om træningsdatasæt i forandring
Runways teknologidirektør Kamil Sindi beskrev, hvordan et enkelt træningseksempel udvikler sig: »Et træningseksempel hos Runway står ikke stille. Det begynder som en video og en prompt, hvorefter vi tilføjer indlejringer samt metadata om opløsning og varighed – alt efter, hvad det næste eksperiment kræver.« Runway begyndte at bruge Lance-dataformatet i 2024 og blev senere kunde hos LanceDB Enterprise. Virksomheden bruger nu Lance og LanceDB Enterprise sammen, så forskerne hurtigere kan arbejde med store datasæt, der hele tiden ændrer sig.
NVIDIA Cosmos, en bruger af open source og en partner, er et andet eksempel på anvendelse. Den tekniske leder Max Li sagde, at teamet klargjorde omtrent én million timers video med Lance til Cosmos 3, er på vej mod at træne direkte fra formatet og finder den objektlagerbaserede arkitektur nyttig til streaming, filtrering og inspektion af store datasæt, efterhånden som de revideres, samtidig med at data leveres til store GPU-klynger.
Suqiang (Jack) Song, chef for dataplatformen hos Microsoft AI, sagde, at hans organisation bruger LanceDB som lag til træningsdata for milliarder af rækker med billeder og kode, og at distribuerede inferensjob læser direkte fra Lance på tusindvis af noder. Det var et ufravigeligt krav til produktionsbrug, at løsningen kunne køre i Microsofts egen tenant og overholde virksomhedens sikkerhedspolitik.
Planer for serie B
LanceDB vil samle træningsdata, kontekst, logfiler og udrulninger i ét system, der kan håndtere petabyteskala. Forskerteams vil også kunne køre et stort antal AI-agenteksperimenter parallelt uden at forurene delte datasæt. Arbejdet sigter mod hele cyklussen for modeludvikling og skal mindske den manuelle overvågning af datapipelines og problemer med dataindlæsning, som kan forsinke forskningen.
LanceDB planlægger også at videreudvikle sine værktøjer til feature engineering. Et team skal kunne definere en transformation én gang, hvorefter platformen anvender den på hele datasættet, udfylder eksisterende rækker med tilbagevirkende kraft og behandler nye data, efterhånden som de ankommer. Det videre arbejde retter sig mod flere af de forberedelser, der foretages før træning, samt bedre dataindlæsning og caching under træningsforløb.
Serie B-finansieringen fører LanceDB videre end datahentning og ind i det løbende arbejde med at ændre datasæt, gennemføre eksperimenter og levere data til træningsjob. I den næste fase skal det afprøves, om én platform kan håndtere både datamængder i førende skala og de konstante ændringer fra eksperiment til eksperiment, som kunder som Runway har beskrevet.












