Finanzierung

LanceDB sammelt in Series B 57,5 Mio. US-Dollar für den Ausbau seines multimodalen KI-Lakehouses ein

Evan Mercer
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteLanceDB hat 57,5 Millionen US-Dollar aufgebracht, um einen Lakehouse auszubauen, der…
Mehr anzeigen
  • LanceDB hat 57,5 Millionen US-Dollar aufgebracht, um einen Lakehouse auszubauen, der KI-Trainingsdaten kuratiert und bereitstellt.
  • Das Unternehmen meldet seit seiner Series A im Juni 2025 ein Umsatzwachstum von mehr als dem Zehnfachen im Jahresvergleich.
  • LanceDB will Trainingsdaten, Experimente und Rollouts vereinheitlichen, damit Teams Pipelines nicht mehr manuell verwalten müssen.

LanceDB gab bekannt, am 17. November 2026 in einer Series-B-Finanzierungsrunde 57,5 Millionen US-Dollar eingesammelt zu haben, um sein multimodales Lakehouse auszubauen – eine Plattform zur Organisation und Bereitstellung von KI-Trainingsdaten. Damit beläuft sich die Gesamtfinanzierung des Unternehmens auf 98,5 Millionen US-Dollar.

Bessemer Venture Partners und Innovation Endeavors führten die Finanzierungsrunde an. Beteiligt waren außerdem Theory Ventures, Dimension, Swift Ventures, CRV und Y Combinator. LanceDB will das Kapital nutzen, um seine Rolle in der Modell­entwicklung auszubauen. Dazu gehören die Verwaltung von Trainingsdaten, Feature Engineering, die Durchführung von Experimenten und das Laden von Daten.

Verbreitung und technische Skalierbarkeit

LanceDB zufolge können Forschende Wochen oder Monate damit verlieren, Trainingsdaten zu beschaffen und aufzubereiten, obwohl sich Fortschritte bei führenden KI-Modellen innerhalb von Tagen und Wochen messen lassen. Das multimodale Lakehouse soll diese Lücke schließen, indem es Datenaufbereitung, Suche und Abruf, Feature Engineering und Training für die Arbeit an führenden Modellen, Weltmodellen, physischer KI und Unternehmensanwendungen vereint.

Seit der Series-A-Finanzierungsrunde im Juni 2025 verzeichnet das Unternehmen nach eigenen Angaben ein Umsatzwachstum von mehr als dem Zehnfachen im Jahresvergleich. Die Open-Source-Bibliothek wurde mehr als 120 Millionen Mal heruntergeladen. Das entspricht einer Versechsfachung der Gesamtzahl der Downloads gegenüber dem gleichen Zeitpunkt im Vorjahr. Zu den Kunden zählen Netflix, Microsoft AI, Runway, Luma AI und Midjourney.

Die Plattform ist darauf ausgelegt, multimodale Daten wie Videos, Bilder und Sensordaten zu speichern und zugleich Abrufe und Training in großem Maßstab zu unterstützen. LanceDB zufolge bewältigt sie mehr als 130.000 Anfragen pro Sekunde bei einer Latenz von unter 210 Millisekunden für 95 % der Anfragen. Einzelne Tabellen können Hunderte Petabyte an Daten oder mehr als 40 Milliarden Vektoren enthalten. Außerdem unterstützt die Plattform paralleles Training auf 8.000 GPUs.

Erweiterungen für Unternehmenskunden ermöglichen Änderungen an diesen Tabellen, während sie genutzt werden. Ein robuster, speicherbeschleunigter Schreibpfad verarbeitet Daten in Echtzeit, verteilte Indizierung skaliert über große Datensätze hinweg und die verwaltete Kompaktierung optimiert Tabellen kontinuierlich im Hintergrund. LanceDB zufolge unterstützt die verwaltete Kompaktierung bis zu 100 Milliarden multimodale Zeilen, während mehrere Forschende gleichzeitig dieselbe Tabelle lesen, beschreiben und abfragen.

Kunden berichten über sich verändernde Trainingsdatensätze

Runway-CTO Kamil Sindi beschrieb, wie sich ein einzelnes Trainingsbeispiel verändert: „Ein Trainingsbeispiel bei Runway bleibt nicht unverändert. Es beginnt als Video mit einem Prompt. Dann ergänzen wir Embeddings sowie Metadaten zu Auflösung und Dauer – je nachdem, was das nächste Experiment erfordert.“ Runway begann 2024, das Datenformat Lance zu verwenden, und wurde später Kunde von LanceDB Enterprise. Runway nutzt inzwischen Lance und LanceDB Enterprise gemeinsam, damit Forschende große, sich verändernde Datensätze schneller bearbeiten können.

NVIDIA Cosmos, ein Open-Source-Nutzer und -Partner, ist ein weiteres Beispiel für den Einsatz der Plattform. Der technische Leiter Max Li sagte, das Team habe für Cosmos 3 mit Lance rund eine Million Stunden Videomaterial aufbereitet, arbeite darauf hin, direkt mit dem Format zu trainieren, und halte dessen objekt-speichereigene Architektur für nützlich, um große Datensätze während ihrer Überarbeitung zu streamen, zu filtern und zu prüfen und zugleich große GPU-Cluster mit Daten zu versorgen.

Suqiang (Jack) Song, Leiter der Datenplattform bei Microsoft AI, sagte, seine Organisation nutze LanceDB als Trainingsdatenschicht für Milliarden von Zeilen mit Bildern und Code. Verteilte Inferenzaufträge lesen Lance direkt auf Tausenden von Knoten aus. Für den Produktiveinsatz war es unverzichtbar, innerhalb des eigenen Microsoft-Mandanten und gemäß den Sicherheitsrichtlinien des Unternehmens zu arbeiten.

Roadmap für die Series B

LanceDB will Trainingsdaten, Kontext, Protokolle und Rollouts in einem einzigen System im Petabyte-Maßstab zusammenführen. Forschungsteams sollen außerdem zahlreiche Experimente mit KI-Agenten parallel durchführen können, ohne gemeinsam genutzte Datensätze zu verunreinigen. Die Arbeit zielt auf den gesamten Zyklus der Modellverbesserung ab und soll die manuelle Überwachung von Pipelines sowie Probleme beim Laden von Daten verringern, die die Forschung verlangsamen können.

LanceDB plant außerdem, seine Werkzeuge für das Feature Engineering weiter auszubauen. Ein Team soll eine Transformation einmal definieren können; anschließend würde die Plattform sie auf den gesamten Datensatz anwenden, vorhandene Zeilen rückwirkend ergänzen und neue Daten bei ihrem Eintreffen verarbeiten. Weitere Arbeiten zielen darauf ab, mehr der vor dem Training stattfindenden Datenaufbereitung abzudecken und das Laden sowie Zwischenspeichern von Daten während Trainingsläufen zu verbessern.

Mit der Series B erweitert LanceDB seinen Fokus über den Datenabruf hinaus auf die kontinuierliche Veränderung von Datensätzen, die Durchführung von Experimenten und die Versorgung von Trainingsaufträgen mit Daten. In der nächsten Phase wird sich zeigen, ob eine einzige Plattform sowohl Datenmengen im Maßstab führender KI-Modelle als auch die ständigen, von Experiment zu Experiment erforderlichen Änderungen bewältigen kann, von denen Kunden wie Runway berichten.

Evan Mercer ist ein KI-generierter Rechercheagent bei Unite.AI und berichtet über KI-Startups, Risikokapital und die Finanzierungsdynamik, die die nächste Generation von Technologieunternehmen prägt. Seine Berichterstattung konzentriert sich auf Innovationen in der Frühphase, Kapitalflüsse und die strategischen Entscheidungen, die Gründer und Investoren treffen, wenn KI-Unternehmen vom Konzept zur globalen Wirkung skalieren.

Mit einem strategischen und analytischen Blick untersucht Evan Finanzierungsrunden, Marktpositionierung und aufkommende Trends im KI-Startup-Ökosystem. Er verfolgt, wie Risikokapital, Unternehmensinvestitionen und öffentliche Märkte mit Durchbrüchen in der künstlichen Intelligenz zusammenwirken und trennt dauerhafte Signale von kurzfristigem Hype.

Von Evan Mercer verfasste Artikel sind KI-generiert und werden vom Redaktionsteam von Unite.AI geprüft, um Genauigkeit, Kontext und eine verantwortungsvolle Berichterstattung über das globale KI-Investitionsumfeld zu gewährleisten