Financement
LanceDB lève 57,5 millions de dollars lors d’un financement de série B pour développer son lakehouse multimodal dédié à l’IA

Points clésLanceDB a levé 57,5 millions de dollars pour étendre un lakehouse qui organise et…
Voir plus
- LanceDB a levé 57,5 millions de dollars pour étendre un lakehouse qui organise et fournit des données d'entraînement pour l'IA.
- L'entreprise rapporte une croissance de son chiffre d'affaires de plus de dix fois d'une année sur l'autre depuis sa série A en juin 2025.
- LanceDB vise à unifier les données d'entraînement, les expérimentations et les déploiements afin que les équipes cessent de gérer manuellement leurs pipelines.
LanceDB a annoncé le 17 novembre 2026 avoir levé 57,5 millions de dollars lors d’un financement de série B afin de développer son lakehouse multimodal, une plateforme destinée à organiser et à fournir des données d’entraînement pour l’IA. Cette levée porte le financement total de l’entreprise à 98,5 millions de dollars.
Bessemer Venture Partners et Innovation Endeavors ont mené cette levée, à laquelle ont participé Theory Ventures, Dimension, Swift Ventures, CRV et Y Combinator. LanceDB prévoit d’investir ces fonds pour étendre son rôle à différentes étapes du développement des modèles, notamment la gestion des données d’entraînement, l’ingénierie des caractéristiques, l’exécution des expériences et le chargement des données.
Adoption et évolutivité technique
LanceDB indique que les chercheurs peuvent perdre des semaines ou des mois à obtenir et à organiser des données d’entraînement, alors que les progrès de l’IA de pointe se mesurent en jours et en semaines. Son lakehouse multimodal vise à combler cet écart en réunissant la préparation des données, la recherche et la récupération, l’ingénierie des caractéristiques et l’entraînement pour développer des modèles de pointe, des modèles du monde, des systèmes d’IA physique et des applications d’entreprise.
L’entreprise fait état d’une croissance de son chiffre d’affaires supérieure à dix fois en glissement annuel depuis sa série A de juin 2025. Sa bibliothèque open source a été téléchargée plus de 120 millions de fois, soit un nombre total de téléchargements multiplié par six par rapport à la même période un an plus tôt. Parmi ses clients figurent Netflix, Microsoft AI, Runway, Luma AI et Midjourney.
La plateforme est conçue pour stocker des données multimodales, comme des vidéos, des images et des données de capteurs, tout en prenant en charge la récupération et l’entraînement à grande échelle. Selon LanceDB, elle prend en charge plus de 130 000 requêtes par seconde, avec une latence inférieure à 210 millisecondes pour 95 % des requêtes, des tables individuelles contenant des centaines de pétaoctets de données ou plus de 40 milliards de vecteurs, ainsi que l’entraînement parallèle sur 8 000 GPU.
Les fonctionnalités destinées aux entreprises permettent de modifier ces tables pendant leur utilisation. Une voie d’écriture persistante, accélérée par la mémoire, gère l’ingestion en temps réel ; l’indexation distribuée s’adapte aux grands ensembles de données ; et le compactage géré optimise continuellement les tables en arrière-plan. LanceDB indique que le compactage géré prend en charge jusqu’à 100 milliards de lignes multimodales, tandis que plusieurs chercheurs lisent, écrivent et interrogent simultanément la même table.
Les clients racontent l’évolution des jeux de données d’entraînement
Kamil Sindi, directeur technique de Runway, a décrit l’évolution d’un exemple d’entraînement : « Un exemple d’entraînement chez Runway n’est jamais figé. Au départ, il s’agit d’une vidéo et d’une consigne ; nous y ajoutons ensuite des représentations vectorielles et des métadonnées sur la résolution et la durée, selon les besoins de l’expérience suivante. » Runway a commencé à utiliser le format de données Lance en 2024, puis est devenu client de LanceDB Enterprise. L’entreprise utilise désormais conjointement Lance et LanceDB Enterprise afin que les chercheurs puissent traiter plus rapidement de grands ensembles de données en constante évolution.
NVIDIA Cosmos, utilisateur et partenaire de l’open source, offre un autre exemple de déploiement. Max Li, responsable technique, a indiqué que l’équipe avait organisé environ un million d’heures de vidéo avec Lance pour Cosmos 3, qu’elle s’orientait vers un entraînement directement à partir de ce format et qu’elle trouvait son architecture native au stockage objet utile pour diffuser, filtrer et examiner de grands ensembles de données au fil de leurs révisions, tout en fournissant des données à de grands clusters de GPU.
Suqiang (Jack) Song, responsable de la plateforme de données chez Microsoft AI, a indiqué que son organisation utilise LanceDB comme couche de données d’entraînement pour des milliards de lignes couvrant des images et du code, et que des tâches d’inférence distribuées lisent directement les données Lance sur des milliers de nœuds. Pour la mise en production, il était impératif que le système fonctionne dans le tenant propre à Microsoft et respecte ses politiques de sécurité.
Feuille de route de la série B
LanceDB prévoit de réunir les données d’entraînement, le contexte, les journaux et les trajectoires d’exécution dans un seul système à l’échelle du pétaoctet. Les équipes de recherche pourraient également mener en parallèle un grand nombre d’expériences avec des agents d’IA, sans contaminer les jeux de données partagés. Ces travaux visent l’ensemble du cycle d’amélioration des modèles et à réduire la supervision manuelle des pipelines ainsi que les problèmes de chargement des données susceptibles de ralentir la recherche.
LanceDB prévoit également d’enrichir ses outils d’ingénierie des caractéristiques. Une équipe pourrait définir une transformation une seule fois, puis la plateforme l’appliquerait à l’ensemble du jeu de données, compléterait rétroactivement les lignes existantes et traiterait les nouvelles données dès leur arrivée. Les travaux à venir porteront aussi sur une plus grande partie de la préparation effectuée avant l’entraînement, ainsi que sur l’amélioration du chargement et de la mise en cache des données pendant les entraînements.
Cette série B permet à LanceDB d’aller au-delà de la récupération des données pour prendre en charge leur évolution continue, la conduite d’expériences et l’alimentation des tâches d’entraînement. La prochaine phase permettra de déterminer si une seule plateforme peut gérer à la fois des volumes de données à l’échelle des modèles de pointe et les modifications constantes, expérience après expérience, décrites par des clients comme Runway.












