Financiación
Daisytuner recauda 6 millones de euros en una ronda semilla para ampliar Daisyflow y su tecnología de compiladores

Puntos claveDaisyflow mantiene las solicitudes y salidas del modelo dentro de la infraestructura…
Ver más
- Daisyflow mantiene las solicitudes y salidas del modelo dentro de la infraestructura del cliente en lugar de una nube del proveedor.
- El compilador docc verifica la corrección de cada optimización antes de añadir recetas probadas a su base de datos.
- Daisytuner debe extender su resultado temprano de rendimiento en AMD a más tipos de modelos y proveedores de aceleradores.
Daisytuner anunció el 16 de noviembre de 2026 que había recaudado 6 millones de euros en financiación semilla y había lanzado Daisyflow, un motor de inferencia de IA que ejecuta modelos dentro de la propia infraestructura de los clientes y adapta su ejecución a distintos tipos de hardware.
Elaia y LEA Ventures codirigieron la ronda, en la que también participaron Amadeus APEX Technology Fund y Seedcamp. Daisytuner dijo que utilizará el capital para llevar Daisyflow a más empresas, ampliar su equipo y desarrollar su tecnología de compiladores.
Daisytuner afirma que sus primeros resultados muestran que Qwen 2.5 funciona hasta un 18 % más rápido que vLLM en GPU AMD Instinct. Este resultado aporta un dato concreto de rendimiento al lanzamiento, mientras la empresa presenta Daisyflow como una solución para una gama más amplia de categorías de modelos y proveedores de aceleradores.
La automatización del compilador que impulsa Daisyflow
En el centro de la tecnología está docc, el compilador de código abierto de Daisytuner. Traduce PyTorch, NumPy y C/C++ a una representación intermedia de flujo de datos, un formato que explicita el movimiento de datos, el paralelismo y el cálculo; después, genera código nativo para las plataformas CUDA de NVIDIA y ROCm de AMD, así como para arquitecturas novedosas. Esto aborda el trabajo manual de optimización del rendimiento que puede surgir cuando un nuevo modelo o chip altera las optimizaciones existentes.
Los agentes de IA buscan optimizaciones y las evalúan en hardware real. Antes de utilizar cada optimización, docc verifica que sea correcta, y las recetas validadas se incorporan a una base de datos de rendimiento. En compilaciones posteriores, el compilador puede asociar esas recetas con código similar, lo que permite aplicar a nuevas tareas de optimización los conocimientos obtenidos con cargas de trabajo anteriores.
La plataforma alojada de Daisytuner convierte este proceso en un flujo de trabajo para desarrolladores, con evaluaciones comparativas continuas cada vez que se envían cambios a GitHub, un editor de optimización accesible desde el navegador y la base de datos de rendimiento. Los usuarios pueden examinar los puntos críticos detectados en hardware real, crear recetas de optimización y enviar los resultados como solicitudes de cambios. Daisyflow se apoya en esa capa de optimización y añade la ejecución de modelos en producción.
El repositorio de docc publica el compilador con la nueva licencia BSD. Su matriz de compatibilidad indica que es compatible con Linux y con las interfaces de C/C++, Python y PyTorch, así como con los backends OpenMP, CUDA y ROCm. La interfaz de PyTorch solo admite inferencia, no entrenamiento.
Implementación bajo el control del cliente
Daisyflow ejecuta modelos de lenguaje, visión, voz y recomendación. Su capa de inferencia dirige las solicitudes a los modelos, agrupa las tareas y las programa para aprovechar el hardware, y coordina flujos de trabajo de varios pasos y con agentes. Las aplicaciones se conectan mediante API estándar; para los modelos de lenguaje, hay compatibilidad con OpenAI, y también se incluye una interfaz de chat lista para usar.
La página del producto Daisyflow indica que puede implementarse en las instalaciones del cliente, en su centro de datos o en una nube privada, y ofrece aceleradores de NVIDIA, AMD, Intel y Tenstorrent. Las solicitudes, los datos y los resultados permanecen dentro de la infraestructura del cliente. Daisytuner evalúa las cargas de trabajo, el hardware y los costos, instala el sistema, adapta los modelos a los aceleradores seleccionados y sigue participando en la operación y el ajuste.
Daisytuner se dirige a proveedores de nube con flotas de hardware heterogéneas, empresas que quieren controlar los datos y la ejecución, y fabricantes de hardware que buscan una integración más rápida en producción. El modelo de implementación conecta a estos públicos: los clientes eligen o poseen la infraestructura, mientras que Daisytuner proporciona las capas de optimización y ejecución, y colabora con ellos en las operaciones.
La financiación respalda ambos aspectos de la oferta: una implementación más amplia en empresas y un sistema de compilación concebido para reducir la integración manual a medida que aparecen nuevos modelos y chips. El principal desafío es ampliar el alcance: extender los primeros resultados de rendimiento obtenidos con AMD a los distintos tipos de modelos, proveedores de aceleradores y entornos de clientes para los que está diseñado Daisyflow.












