Finanzierung

Daisytuner sammelt 6 Mio. € Seed-Kapital, um Daisyflow und die Compilertechnologie auszubauen

Evan Mercer
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteDaisyflow hält Modellanfragen und -ausgaben innerhalb der Kundeninfrastruktur statt in…
Mehr anzeigen
  • Daisyflow hält Modellanfragen und -ausgaben innerhalb der Kundeninfrastruktur statt in einer Anbieter-Cloud.
  • Der docc-Compiler überprüft jede Optimierung auf Korrektheit, bevor er bewiesene Rezepte zu seiner Datenbank hinzufügt.
  • Daisytuner muss sein frühes AMD-Leistungsergebnis auf mehr Modelltypen und Beschleuniger-Anbieter ausweiten.

Daisytuner gab bekannt, am 16. November 2026 eine Seed-Finanzierung in Höhe von 6 Millionen Euro erhalten und Daisyflow veröffentlicht zu haben – eine KI-Inferenz-Engine, die Modelle in der Infrastruktur der Kunden ausführt und ihre Ausführung an unterschiedliche Hardware anpasst.

Elaia und LEA Ventures führten die Finanzierungsrunde gemeinsam an. Beteiligt waren außerdem der Amadeus APEX Technology Fund und Seedcamp. Daisytuner zufolge soll das Kapital dazu verwendet werden, Daisyflow mehr Unternehmen zugänglich zu machen, das Team zu vergrößern und die Compilertechnologie weiterzuentwickeln.

Daisytuner berichtet, dass erste Ergebnisse zeigen, dass Qwen 2.5 auf AMD Instinct GPUs bis zu 18 % schneller läuft als mit vLLM. Damit liefert das Unternehmen zum Start einen konkreten Leistungswert, während es Daisyflow für ein breiteres Spektrum an Modellkategorien und Beschleunigeranbietern positioniert.

Compiler-Automatisierung hinter Daisyflow

Im Zentrum der Technologie steht docc, der Open-Source-Compiler von Daisytuner. Er übersetzt PyTorch, NumPy und C/C++ in eine Datenfluss-Zwischendarstellung – ein Format, das Datenbewegungen, Parallelität und Berechnungen explizit abbildet – und erzeugt anschließend nativen Code für die Plattformen CUDA von NVIDIA und ROCm von AMD sowie für neuartige Architekturen. So wird der manuelle Aufwand für Leistungsoptimierungen verringert, der entstehen kann, wenn ein neues Modell oder ein neuer Chip bestehende Optimierungen beeinträchtigt.

KI-Agenten suchen nach Optimierungen und bewerten sie auf echter Hardware. docc prüft jede Optimierung vor ihrem Einsatz auf Korrektheit; bewährte Rezepte werden in einer Leistungsdatenbank gespeichert. Bei späteren Kompilierungen kann der Compiler diese Rezepte ähnlichem Code zuordnen, sodass Erkenntnisse aus früheren Workloads in neue Optimierungsarbeiten einfließen.

Die gehostete Daisytuner Platform macht daraus einen Entwickler-Workflow mit kontinuierlichen Benchmarks bei GitHub-Pushes, einem browserbasierten Optimierungseditor und der Leistungsdatenbank. Nutzer können auf echter Hardware gemessene Engpässe untersuchen, Optimierungsrezepte erstellen und die Ergebnisse als Pull Requests einreichen. Daisyflow baut auf dieser Optimierungsebene auf und ergänzt sie um die Bereitstellung von Modellen im Produktivbetrieb.

Das docc-Repository veröffentlicht den Compiler unter der neuen BSD-Lizenz. Die Kompatibilitätsmatrix führt Linux-Unterstützung für C/C++-, Python- und PyTorch-Frontends mit OpenMP-, CUDA- und ROCm-Backends auf. Das PyTorch-Frontend unterstützt nur Inferenz, nicht aber das Training.

Bereitstellung unter der Kontrolle der Kunden

Daisyflow führt Sprach-, Bildverarbeitungs-, Sprachverarbeitungs- und Empfehlungsmodelle aus. Die Inferenzschicht leitet Anfragen an Modelle weiter, bündelt und plant Aufgaben zur besseren Hardwareauslastung und koordiniert mehrstufige Workflows sowie Agenten-Workflows. Anwendungen werden über standardisierte APIs angebunden; für Sprachmodelle ist die Plattform mit OpenAI kompatibel. Eine sofort einsatzbereite Chat-Oberfläche ist ebenfalls enthalten.

Die Daisyflow-Produktseite nennt als Bereitstellungsoptionen die Installation vor Ort, im Rechenzentrum des Kunden oder in einer Private Cloud. Als Beschleuniger stehen NVIDIA, AMD, Intel und Tenstorrent zur Auswahl. Anfragen, Daten und Ausgaben verbleiben innerhalb der Infrastruktur des Kunden. Daisytuner bewertet Workloads, Hardware und Kosten, installiert das System, portiert Modelle auf die ausgewählten Beschleuniger und begleitet den Betrieb sowie die Optimierung.

Daisytuner richtet sich an Cloud-Anbieter mit gemischten Hardwareflotten, an Unternehmen, die Daten und Ausführung kontrollieren möchten, sowie an Hardwarehersteller, die eine schnellere Integration in den Produktivbetrieb anstreben. Das Bereitstellungsmodell verbindet diese Zielgruppen: Die Kunden wählen die Infrastruktur aus oder besitzen sie selbst, während Daisytuner die Optimierungs- und Bereitstellungsschichten bereitstellt und mit ihnen am Betrieb arbeitet.

Die Finanzierung unterstützt beide Seiten dieses Angebots: eine breitere Bereitstellung in Unternehmen und ein Compilersystem, das den manuellen Integrationsaufwand verringern soll, wenn neue Modelle und Chips auf den Markt kommen. Die zentrale Herausforderung besteht darin, die Anwendbarkeit auszuweiten und das anfängliche Leistungsergebnis mit AMD auf die Modelltypen, Beschleunigeranbieter und Kundenumgebungen zu übertragen, die Daisyflow unterstützen soll.

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