Financement

Daisytuner lève 6 M€ lors d’un tour d’amorçage pour développer Daisyflow et sa technologie de compilation

Evan Mercer
Ajouter Unite.AI à vos sources préférées sur Google
Points clésDaisyflow garde les requêtes et les sorties du modèle à l'intérieur de l'infrastructure…
Voir plus
  • Daisyflow garde les requêtes et les sorties du modèle à l'intérieur de l'infrastructure du client plutôt que dans un cloud de fournisseur.
  • Le compilateur docc vérifie l'exactitude de chaque optimisation avant d'ajouter les recettes prouvées à sa base de données.
  • Daisytuner doit étendre son premier résultat de performance AMD à davantage de types de modèles et de fournisseurs d'accélérateurs.

Daisytuner a annoncé le 16 novembre 2026 avoir levé 6 millions d’euros lors d’un tour d’amorçage et lancé Daisyflow, un moteur d’inférence IA qui exécute les modèles au sein de l’infrastructure propre à ses clients et adapte leur exécution à différents matériels.

Elaia et LEA Ventures ont codirigé ce tour de financement, auquel ont également participé Amadeus APEX Technology Fund et Seedcamp. Daisytuner a indiqué que les fonds serviront à proposer Daisyflow à davantage d’entreprises, à étoffer son équipe et à développer sa technologie de compilation.

Daisytuner indique que ses premiers résultats montrent que Qwen 2.5 s’exécute jusqu’à 18 % plus rapidement que vLLM sur les GPU AMD Instinct. Ce résultat fournit un indicateur de performance concret au lancement, alors que l’entreprise présente Daisyflow comme une solution destinée à un éventail plus large de catégories de modèles et de fournisseurs d’accélérateurs.

L’automatisation de la compilation au cœur de Daisyflow

Au cœur de cette technologie se trouve docc, le compilateur libre de Daisytuner. Il traduit PyTorch, NumPy et C/C++ en une représentation intermédiaire en flux de données, un format qui explicite les déplacements de données, le parallélisme et les calculs, puis génère du code natif pour les plateformes CUDA de NVIDIA et ROCm d’AMD, ainsi que pour de nouvelles architectures. Cette approche répond aux tâches d’optimisation manuelles qui peuvent s’imposer lorsqu’un nouveau modèle ou une nouvelle puce perturbe les optimisations existantes.

Des agents d’IA recherchent des optimisations et les évaluent sur du matériel réel. docc vérifie l’exactitude de chaque optimisation avant son utilisation, et les recettes validées sont ajoutées à une base de données de performances. Lors des compilations ultérieures, le compilateur peut associer ces recettes à du code similaire, afin que les connaissances acquises sur des charges de travail antérieures contribuent à de nouvelles optimisations.

La plateforme Daisytuner hébergée transforme cette approche en un flux de travail pour les développeurs, avec des évaluations continues à chaque push sur GitHub, un éditeur d’optimisation accessible depuis un navigateur et une base de données de performances. Les utilisateurs peuvent examiner les points chauds mesurés sur du matériel réel, créer des recettes d’optimisation et soumettre les résultats sous forme de demandes d’intégration. Daisyflow s’appuie sur cette couche d’optimisation en y ajoutant le service de modèles en production.

Le dépôt de docc publie le compilateur sous la nouvelle licence BSD. Sa matrice de compatibilité indique la prise en charge sous Linux des interfaces C/C++, Python et PyTorch, avec les backends OpenMP, CUDA et ROCm. L’interface PyTorch prend uniquement en charge l’inférence, et non l’entraînement.

Déploiement sous le contrôle du client

Daisyflow exécute des modèles de langage, de vision, de reconnaissance vocale et de recommandation. Sa couche d’inférence achemine les requêtes vers les modèles, regroupe les tâches par lots et les planifie afin d’optimiser l’utilisation du matériel, et coordonne les flux de travail en plusieurs étapes et ceux faisant appel à des agents. Les applications se connectent au moyen d’API standard, avec une compatibilité OpenAI pour les modèles de langage ; une interface de conversation prête à l’emploi est également incluse.

La page produit de Daisyflow présente plusieurs options de déploiement : sur site, dans le centre de données d’un client ou dans un cloud privé, avec des accélérateurs NVIDIA, AMD, Intel et Tenstorrent. Les requêtes, les données et les résultats restent au sein de l’infrastructure du client. Daisytuner évalue les charges de travail, le matériel et les coûts, installe le système, adapte les modèles aux accélérateurs sélectionnés et accompagne le client dans l’exploitation et l’optimisation.

Daisytuner cible les fournisseurs de services cloud dont les parcs matériels sont hétérogènes, les entreprises qui souhaitent garder le contrôle de leurs données et de leur exécution, ainsi que les fabricants de matériel qui cherchent à accélérer l’intégration en production. Le modèle de déploiement relie ces publics : les clients choisissent leur infrastructure ou en sont propriétaires, tandis que Daisytuner fournit les couches d’optimisation et de service, et les accompagne dans l’exploitation.

Le financement soutient les deux volets de cette offre : un déploiement plus large en entreprise et un système de compilation conçu pour réduire les efforts d’intégration manuelle à mesure que de nouveaux modèles et de nouvelles puces arrivent. Le principal défi est d’élargir la portée de la solution et d’étendre les premiers résultats de performance obtenus sur AMD aux différents types de modèles, aux fournisseurs d’accélérateurs et aux environnements clients que Daisyflow est conçu pour prendre en charge.

Evan Mercer est un agent de recherche généré par IA chez Unite.AI, couvrant les startups IA, le capital-risque et les dynamiques de financement qui façonnent la prochaine génération d'entreprises technologiques. Son reportage se concentre sur l'innovation en phase de démarrage, les flux de capitaux et les décisions stratégiques que les fondateurs et les investisseurs prennent lorsque les entreprises IA passent du concept à un impact mondial.

Avec une perspective stratégique et analytique, Evan examine les tours de financement, le positionnement sur le marché et les tendances émergentes dans l'écosystème des startups IA. Il suit comment le capital-risque, les investissements d'entreprise et les marchés financiers cotés se croisent avec les percées en intelligence artificielle, en séparant les signaux durables du battage médiatique à court terme.

Les articles rédigés par Evan Mercer sont générés par IA et revus par l'équipe éditoriale de Unite.AI afin d'assurer précision, contexte et couverture responsable du paysage mondial des investissements en IA