Finansiering

Daisytuner rejser 6 mio. € i seedfinansiering for at udvide Daisyflow og kompilatorteknologien

Evan Mercer
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterDaisyflow holder modelanmodninger og -outputs inde i kundens infrastruktur i stedet for…
Vis mere
  • Daisyflow holder modelanmodninger og -outputs inde i kundens infrastruktur i stedet for i en leverandørs cloud.
  • docc-kompileren verificerer hver optimering for korrekthed, før den tilføjer beviste opskrifter til sin database.
  • Daisytuner skal udvide sit tidlige AMD-resultat til flere modeltyper og acceleratorleverandører.

Daisytuner meddelte den 16. november 2026, at virksomheden havde rejst 6 millioner € i seedfinansiering og lanceret Daisyflow, en AI-inferensmotor, der afvikler modeller i kundernes egen infrastruktur og tilpasser deres afvikling til forskellig hardware.

Elaia og LEA Ventures ledte finansieringsrunden i fællesskab med deltagelse fra Amadeus APEX Technology Fund og Seedcamp. Daisytuner oplyste, at kapitalen skal bruges til at gøre Daisyflow tilgængelig for flere virksomheder, udvide teamet og videreudvikle kompilatorteknologien.

Daisytuner oplyser, at de første resultater viser, at Qwen 2.5 kører op til 18 % hurtigere end vLLM på AMD Instinct-GPU’er. Resultatet giver lanceringen et konkret datapunkt for ydeevnen, mens virksomheden præsenterer Daisyflow til en bredere vifte af modelkategorier og acceleratorleverandører.

Kompilatorautomatiseringen bag Daisyflow

Kernen i teknologien er docc, Daisytuners open source-kompilator. Den oversætter PyTorch, NumPy og C/C++ til en mellemliggende dataflowrepræsentation, et format, der tydeliggør dataflytning, parallelisme og beregninger, og genererer derefter native kode til NVIDIAs CUDA- og AMD’s ROCm-platforme samt nye arkitekturer. Det imødekommer det manuelle arbejde med ydeevneoptimering, som kan opstå, når en ny model eller chip forstyrrer eksisterende optimeringer.

AI-agenter søger efter optimeringer og måler deres ydeevne på ægte hardware. docc kontrollerer, at hver optimering er korrekt, før den tages i brug, og dokumenterede opskrifter føjes til en ydelsesdatabase. Ved senere kompilering kan kompilatoren finde opskrifter, der passer til lignende kode, så viden fra tidligere arbejdsbelastninger kan bidrage til nye optimeringer.

Den hostede Daisytuner Platform omsætter dette til en udviklerarbejdsgang med løbende benchmarkmålinger ved GitHub-pushes, en browserbaseret optimeringseditor og ydelsesdatabasen. Brugerne kan undersøge flaskehalse, der er målt på ægte hardware, oprette optimeringsopskrifter og indsende resultaterne som pull requests. Daisyflow bygger videre på dette optimeringslag ved at tilføje modelafvikling i produktionsmiljøer.

docc-arkivet udgiver kompilatoren under den nye BSD-licens. Kompatibilitetsoversigten angiver Linux-understøttelse af C/C++-, Python- og PyTorch-grænseflader med OpenMP-, CUDA- og ROCm-backends. PyTorch-grænsefladen understøtter kun inferens, ikke træning.

Implementering under kundens kontrol

Daisyflow afvikler sprog-, visions-, tale- og anbefalingsmodeller. Inferenslaget sender forespørgsler videre til modeller, samler og planlægger opgaver for at udnytte hardwaren og koordinerer arbejdsgange med flere trin og agentarbejdsgange. Applikationer forbindes via standard-API’er, og sprogmodeller er kompatible med OpenAI. Der medfølger også en chatgrænseflade, der er klar til brug.

Produktsiden for Daisyflow beskriver muligheder for implementering lokalt, i kundens datacenter eller i en privat sky med NVIDIA, AMD, Intel og Tenstorrent som mulige acceleratorer. Forespørgsler, data og output forbliver i kundens infrastruktur. Daisytuner vurderer arbejdsbelastninger, hardware og omkostninger, installerer systemet, porter modeller til de valgte acceleratorer og bidrager fortsat til driften og finjusteringen.

Daisytuner retter sig mod cloududbydere med blandede hardwareflåder, virksomheder, der ønsker kontrol over data og afvikling, samt hardwareleverandører, der vil integrere deres produkter hurtigere i produktionsmiljøer. Implementeringsmodellen forbinder disse målgrupper: Kunderne vælger eller ejer infrastrukturen, mens Daisytuner leverer optimerings- og afviklingslagene og samarbejder med dem om driften.

Finansieringen understøtter begge dele af tilbuddet: en bredere implementering i virksomheder og et kompilatorsystem, der skal mindske behovet for manuel integration, efterhånden som nye modeller og chips kommer til. Den centrale udfordring er bredden: at udvide det tidlige resultat på AMD til de forskellige modeltyper, acceleratorleverandører og kundemiljøer, som Daisyflow er udviklet til at understøtte.

Evan Mercer er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI‑startups, venturekapital og de finansieringsdynamikker, der former næste generation af teknologivirksomheder. Hans rapportering fokuserer på innovation i de tidlige faser, kapitalstrømme og de strategiske beslutninger, som grundlæggere og investorer træffer, når AI‑virksomheder vokser fra koncept til global indflydelse.

Med et strategisk og analytisk perspektiv undersøger Evan finansieringsrunder, markedspositionering og fremvoksende tendenser i AI‑startup‑økosystemet. Han følger, hvordan venturekapital, virksomhedsinvesteringer og de børsnoterede markeder krydser med gennembrud inden for kunstig intelligens, og adskiller holdbare signaler fra kortvarig hype.

Artikler skrevet af Evan Mercer er AI‑genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre nøjagtighed, kontekst og ansvarlig dækning af det globale AI‑investeringslandskab