تمويل
تجمع Daisytuner تمويلًا تأسيسيًا بقيمة 6 ملايين يورو لتوسيع Daisyflow وتقنيات المترجم

النقاط الرئيسيةتحافظ Daisyflow على طلبات النموذج ومخرجاته داخل البنية التحتية للعميل بدلاً من سحابة…
عرض المزيد
- تحافظ Daisyflow على طلبات النموذج ومخرجاته داخل البنية التحتية للعميل بدلاً من سحابة المورّد.
- يتحقق مترجم docc من صحة كل تحسين قبل إضافة الوصفات المُثبتة إلى قاعدة بياناته.
- يجب على Daisytuner توسيع نتيجة أدائه المبكرة على AMD لتشمل المزيد من أنواع النماذج ومورّدي المسرّعات.
أعلنت Daisytuner في 16 نوفمبر 2026 أنها جمعت 6 ملايين يورو في جولة تمويل تأسيسية، وأطلقت Daisyflow، وهو محرك لاستدلال الذكاء الاصطناعي يشغّل النماذج ضمن البنية التحتية الخاصة بالعملاء ويكيّف طريقة تنفيذها لتناسب الأجهزة المختلفة.
شاركت Elaia وLEA Ventures في قيادة الجولة، بمشاركة Amadeus APEX Technology Fund وSeedcamp. وقالت Daisytuner إن رأس المال سيُستخدم لإتاحة Daisyflow لعدد أكبر من الشركات، وتوسيع فريقها، وتطوير تقنيات المترجم لديها.
أفادت Daisytuner بأن نتائجها الأولية تُظهر تشغيل Qwen 2.5 بسرعة أعلى بنسبة تصل إلى 18% مقارنةً بـ vLLM على وحدات معالجة الرسوميات AMD Instinct. ويوفر ذلك مؤشرًا محددًا للأداء عند الإطلاق، فيما تقدم الشركة Daisyflow لدعم نطاق أوسع من فئات النماذج ومورّدي المسرّعات.
أتمتة المترجم وراء Daisyflow
في صميم هذه التقنية يوجد docc، وهو مترجم Daisytuner مفتوح المصدر. يحوّل PyTorch وNumPy وC/C++ إلى تمثيل وسيط لتدفق البيانات، وهو تنسيق يوضح صراحةً حركة البيانات والتوازي والحوسبة، ثم يولّد شيفرة أصلية لمنصتي CUDA من NVIDIA وROCm من AMD، وكذلك للمعماريات الجديدة. ويعالج هذا العمل اليدوي لتحسين الأداء، الذي قد يصبح ضروريًا عندما يعطّل نموذج أو شريحة جديدان التحسينات القائمة.
تبحث وكلاء الذكاء الاصطناعي عن التحسينات وتقيس أداءها على أجهزة حقيقية. ويتحقق docc من صحة كل تحسين قبل استخدامه، وتُضاف وصفات التحسين التي تثبت فعاليتها إلى قاعدة بيانات للأداء. وخلال عمليات التجميع اللاحقة، يستطيع المترجم مطابقة تلك الوصفات مع شيفرات مشابهة، ما يتيح الاستفادة من المعرفة المكتسبة من أعباء العمل السابقة في جهود التحسين الجديدة.
تحوّل منصة Daisytuner المستضافة ذلك إلى سير عمل للمطورين، يتيح قياس الأداء باستمرار عند دفع التحديثات إلى GitHub، ومحررًا للتحسين يعمل عبر المتصفح، وقاعدة بيانات للأداء. ويمكن للمستخدمين فحص مواضع الاختناق التي جرى قياسها على أجهزة حقيقية، وإنشاء وصفات للتحسين، وإرسال النتائج في صورة طلبات دمج. وتبني Daisyflow على طبقة التحسين هذه بإضافة خدمة تشغيل النماذج في بيئات الإنتاج.
ينشر مستودع docc المترجم بموجب رخصة BSD الجديدة. وتدرج مصفوفة التوافق فيه دعم Linux لواجهات C/C++ وPython وPyTorch، مع واجهات خلفية لـ OpenMP وCUDA وROCm. ولا تدعم واجهة PyTorch الأمامية سوى الاستدلال، لا التدريب.
نشر يتحكم فيه العميل
تُشغّل Daisyflow نماذج اللغة والرؤية والكلام والتوصية. وتوجّه طبقة الاستدلال الطلبات إلى النماذج، وتجمع المهام وتجدولها للاستفادة من الأجهزة، كما تنسّق سير العمل متعدد الخطوات وسير عمل الوكلاء. وتتصل التطبيقات عبر واجهات برمجة تطبيقات قياسية، مع التوافق مع OpenAI لنماذج اللغة، وتتضمن المنصة واجهة محادثة جاهزة للاستخدام.
تذكر صفحة منتج Daisyflow إمكان النشر داخل مقر العميل، أو في مركز بياناته، أو في سحابة خاصة، مع إتاحة NVIDIA وAMD وIntel وTenstorrent خياراتٍ للمسرّعات. وتظل الطلبات والبيانات والمخرجات ضمن البنية التحتية للعميل. وتقيّم Daisytuner أعباء العمل والأجهزة والتكاليف، وتثبّت النظام، وتنقل النماذج إلى المسرّعات المختارة، وتواصل المشاركة في التشغيل والضبط.
تستهدف Daisytuner مزوّدي الخدمات السحابية الذين يستخدمون أساطيل متنوعة من الأجهزة، والشركات التي ترغب في التحكم بالبيانات والتنفيذ، ومورّدي الأجهزة الساعين إلى تسريع دمج منتجاتهم في بيئات الإنتاج. ويربط نموذج النشر بين هذه الفئات: إذ يختار العملاء البنية التحتية أو يمتلكونها، فيما توفر Daisytuner طبقتي التحسين والتشغيل، وتتعاون معهم في العمليات التشغيلية.
يدعم التمويل جانبي هذا العرض: توسيع النشر في الشركات، وتطوير نظام للمترجم يهدف إلى تقليل الدمج اليدوي مع ظهور نماذج وشرائح جديدة. ويتمثل التحدي الأساسي في اتساع النطاق، أي تعميم نتيجة الأداء الأولية على AMD لتشمل أنواع النماذج ومورّدي المسرّعات وبيئات العملاء التي صُممت Daisyflow لدعمها.












