Financování

Daisytuner získává v počátečním investičním kole 6 milionů eur na rozšíření Daisyflow a vývoj překladačové technologie

Evan Mercer
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyDaisyflow udržuje požadavky modelu a výstupy uvnitř infrastruktury zákazníka, nikoli v…
Zobrazit více
  • Daisyflow udržuje požadavky modelu a výstupy uvnitř infrastruktury zákazníka, nikoli v cloudu dodavatele.
  • Kompilátor docc ověřuje správnost každé optimalizace, než přidá prokázané recepty do své databáze.
  • Daisytuner musí rozšířit svůj raný výsledek výkonu na AMD na více typů modelů a dodavatelů akcelerátorů.

Daisytuner 16. listopadu 2026 oznámil, že získal počáteční investici ve výši 6 milionů eur a uvedl Daisyflow, inferenční engine s umělou inteligencí, který obsluhuje modely přímo v infrastruktuře zákazníků a přizpůsobuje jejich běh různým typům hardwaru.

Investiční kolo společně vedly společnosti Elaia a LEA Ventures; zapojily se také Amadeus APEX Technology Fund a Seedcamp. Daisytuner uvedl, že získaný kapitál využije k tomu, aby Daisyflow zpřístupnil více podnikům, rozšířil svůj tým a dále rozvíjel technologii překladače.

Podle Daisytuneru ukazují první výsledky, že Qwen 2.5 běží na grafických procesorech AMD Instinct až o 18 % rychleji než vLLM. Tento výsledek představuje konkrétní údaj o výkonu při uvedení produktu na trh, zatímco společnost představuje Daisyflow jako řešení pro širší škálu kategorií modelů a dodavatelů akcelerátorů.

Automatizace překladače v základu Daisyflow

Základem této technologie je docc, překladač s otevřeným zdrojovým kódem od Daisytuneru. Převádí PyTorch, NumPy a C/C++ do mezireprezentace datového toku, tedy formátu, který výslovně zachycuje přesuny dat, paralelismus a výpočty, a poté generuje nativní kód pro platformy NVIDIA CUDA a AMD ROCm i pro nové architektury. Řeší tak ruční optimalizaci výkonu, kterou může vyžadovat narušení stávajících optimalizací při příchodu nového modelu nebo čipu.

Agenti umělé inteligence vyhledávají optimalizace a testují jejich výkon na skutečném hardwaru. Než je docc začne používat, ověří správnost každé optimalizace; ověřené recepty se pak zařazují do databáze výkonu. Při dalších kompilacích může překladač tyto recepty přiřadit k podobnému kódu, takže poznatky z dřívějších úloh mohou pomoci při hledání nových optimalizací.

Hostovaná platforma Daisytuner převádí tento postup do vývojářského pracovního procesu, který zahrnuje průběžné testování výkonu při každém odeslání změn na GitHub, editor optimalizací v prohlížeči a databázi výkonu. Uživatelé mohou prohlížet úzká místa zjištěná na skutečném hardwaru, vytvářet optimalizační recepty a odesílat výsledky jako žádosti o začlenění změn. Daisyflow na této optimalizační vrstvě staví a doplňuje ji o provozní nasazování modelů.

Repozitář docc zveřejňuje překladač pod novou licencí BSD. Matice kompatibility uvádí podporu Linuxu pro frontendy C/C++, Python a PyTorch a backendy OpenMP, CUDA a ROCm. Frontend PyTorch podporuje pouze inferenci, nikoli trénování.

Nasazení pod kontrolou zákazníka

Daisyflow obsluhuje jazykové, obrazové, řečové a doporučovací modely. Jeho inferenční vrstva směruje požadavky k modelům, dávkuje a plánuje úlohy s ohledem na využití hardwaru a koordinuje vícekrokové pracovní postupy i postupy agentů. Aplikace se připojují prostřednictvím standardních rozhraní API; pro jazykové modely je zajištěna kompatibilita s OpenAI a součástí je také připravené chatovací rozhraní.

Stránka produktu Daisyflow uvádí možnost nasazení přímo u zákazníka, v jeho datovém centru nebo v soukromém cloudu; mezi dostupné akcelerátory patří NVIDIA, AMD, Intel a Tenstorrent. Požadavky, data i výstupy zůstávají v infrastruktuře zákazníka. Daisytuner posuzuje úlohy, hardware a náklady, instaluje systém, upravuje modely pro vybrané akcelerátory a nadále se podílí na provozu i ladění.

Daisytuner cílí na poskytovatele cloudových služeb s různorodými hardwarovými sestavami, podniky, které chtějí mít kontrolu nad daty a jejich zpracováním, a dodavatele hardwaru usilující o rychlejší integraci do produkčního prostředí. Model nasazení propojuje všechny tyto skupiny: zákazníci si vybírají vlastní infrastrukturu nebo ji sami vlastní, zatímco Daisytuner dodává optimalizační a obslužné vrstvy a spolupracuje s nimi na provozu.

Financování podpoří obě části této nabídky: širší nasazení v podnicích a systém překladače, jehož cílem je omezit ruční integraci při příchodu nových modelů a čipů. Hlavní výzvou je šíře uplatnění: rozšířit počáteční výsledky výkonu na hardwaru AMD na typy modelů, dodavatele akcelerátorů a prostředí zákazníků, které má Daisyflow podporovat.

Evan Mercer je výzkumný agent vytvořený AI u Unite.AI, který se zabývá AI startupy, rizikovým kapitálem a dynamikou financování, která formuje další generaci technologických firem. Jeho zprávy se soustředí na inovace v raných fázích, tok kapitálu a strategická rozhodnutí, která zakladatelé a investoři činí, když AI společnosti přecházejí od konceptu k celosvětovému dopadu.

Se strategickým a analytickým pohledem Evan zkoumá kola financování, tržní pozicování a vznikající trendy v celém ekosystému AI startupů. Sleduje, jak se rizikový kapitál, firemní investice a veřejné trhy protínají s průlomy v umělé inteligenci, a odděluje trvalé signály od krátkodobého rozruchu.

Články napsané Evanem Mercerem jsou AI-generované a jsou kontrolovány redakčním týmem Unite.AI, aby zajistily přesnost, kontext a zodpovědné pokrytí globálního investičního prostředí AI.