फंडिंग

Daisyflow और कंपाइलर तकनीक के विस्तार के लिए Daisytuner ने जुटाए €6 मिलियन की सीड फंडिंग

Evan Mercer
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुडेज़ीफ़्लो मॉडल अनुरोधों और आउटपुट को विक्रेता के क्लाउड के बजाय ग्राहक के अधोसंरचना के…
और देखें
  • डेज़ीफ़्लो मॉडल अनुरोधों और आउटपुट को विक्रेता के क्लाउड के बजाय ग्राहक के अधोसंरचना के भीतर रखता है।
  • डॉक कंपाइलर सत्यापित व्यंजनों को अपने डेटाबेस में जोड़ने से पहले प्रत्येक अनुकूलन की शुद्धता की जाँच करता है।
  • डेज़ीट्यूनर को अपने प्रारंभिक AMD प्रदर्शन परिणाम को अधिक मॉडल प्रकारों और त्वरक विक्रेताओं तक विस्तारित करना होगा।

16 नवंबर 2026 को Daisytuner ने घोषणा की कि उसने €6 मिलियन की सीड फंडिंग जुटाई है और Daisyflow जारी किया है। Daisyflow एक एआई इन्फ़रेंस इंजन है, जो ग्राहकों के अपने बुनियादी ढाँचे में मॉडल चलाता है और अलग-अलग हार्डवेयर के अनुसार उनके निष्पादन को ढालता है।

Elaia और LEA Ventures ने इस फंडिंग दौर की सह-अगुवाई की। इसमें Amadeus APEX Technology Fund और Seedcamp ने भी भाग लिया। Daisytuner ने कहा कि इस पूंजी का उपयोग Daisyflow को और अधिक उद्यमों तक पहुँचाने, अपनी टीम बढ़ाने और कंपाइलर तकनीक का विस्तार करने के लिए किया जाएगा।

Daisytuner के मुताबिक, शुरुआती नतीजों में Qwen 2.5, AMD Instinct GPU पर vLLM की तुलना में 18% तक तेज़ चलता है। यह नतीजा लॉन्च के साथ प्रदर्शन का एक ठोस आँकड़ा पेश करता है, जबकि कंपनी Daisyflow को मॉडल श्रेणियों और एक्सेलरेटर आपूर्तिकर्ताओं की अधिक व्यापक विविधता के लिए प्रस्तुत कर रही है।

Daisyflow के पीछे कंपाइलर स्वचालन

इस तकनीक के केंद्र में docc है, जो Daisytuner का ओपन-सोर्स कंपाइलर है। यह PyTorch, NumPy और C/C++ को डेटाफ़्लो मध्यवर्ती निरूपण में बदलता है। इस प्रारूप में डेटा का आवागमन, समानांतर प्रसंस्करण और गणना स्पष्ट रूप से दर्शाए जाते हैं। इसके बाद यह NVIDIA के CUDA और AMD के ROCm प्लेटफ़ॉर्म तथा नए आर्किटेक्चर के लिए नेटिव कोड तैयार करता है। इससे उस मैन्युअल काम में मदद मिलती है, जो किसी नए मॉडल या चिप के मौजूदा अनुकूलनों को बाधित करने पर प्रदर्शन सुधारने के लिए करना पड़ सकता है।

एआई एजेंट अनुकूलन खोजते हैं और वास्तविक हार्डवेयर पर उनका बेंचमार्क करते हैं। इस्तेमाल से पहले docc हर अनुकूलन की शुद्धता की पुष्टि करता है और सफल साबित हुए नुस्खे प्रदर्शन डेटाबेस में दर्ज किए जाते हैं। बाद में कंपाइल करते समय, कंपाइलर उन नुस्खों का मिलते-जुलते कोड से मिलान कर सकता है, जिससे पहले के वर्कलोड से मिली जानकारी नए अनुकूलन कार्य में काम आती है।

Daisytuner का होस्ट किया गया Platform इसे डेवलपर के कार्यप्रवाह में बदल देता है। इसमें GitHub पर पुश के साथ लगातार बेंचमार्किंग, ब्राउज़र में इस्तेमाल किया जा सकने वाला अनुकूलन संपादक और प्रदर्शन डेटाबेस शामिल हैं। उपयोगकर्ता वास्तविक हार्डवेयर पर मापे गए प्रदर्शन-अवरोधों की जाँच कर सकते हैं, अनुकूलन के नुस्खे बना सकते हैं और नतीजों को पुल रिक्वेस्ट के रूप में जमा कर सकते हैं। Daisyflow इस अनुकूलन परत के ऊपर उत्पादन में मॉडल उपलब्ध कराने की सुविधा जोड़ता है।

docc का रिपॉज़िटरी इस कंपाइलर को नए BSD लाइसेंस के तहत प्रकाशित करता है। इसकी संगतता तालिका में C/C++, Python और PyTorch फ्रंटएंड के लिए Linux समर्थन तथा OpenMP, CUDA और ROCm बैकएंड सूचीबद्ध हैं। PyTorch फ्रंटएंड केवल इन्फ़रेंस का समर्थन करता है, ट्रेनिंग का नहीं।

ग्राहक के नियंत्रण में परिनियोजन

Daisyflow भाषा, दृष्टि, वाणी और अनुशंसा मॉडल चलाता है। इसकी इन्फ़रेंस परत अनुरोधों को मॉडल तक पहुँचाती है, हार्डवेयर का बेहतर उपयोग करने के लिए काम को बैचों में बाँटकर शेड्यूल करती है और कई चरणों वाले तथा एजेंट-आधारित कार्यप्रवाहों का समन्वय करती है। एप्लिकेशन मानक API के ज़रिए जुड़ते हैं। भाषा मॉडलों के लिए OpenAI के साथ संगतता उपलब्ध है और इस्तेमाल के लिए तैयार चैट इंटरफ़ेस भी शामिल है।

Daisyflow के उत्पाद पृष्ठ पर ग्राहक के परिसर में, उसके डेटा केंद्र में या निजी क्लाउड में परिनियोजन के विकल्प दिए गए हैं। एक्सेलरेटर के विकल्पों में NVIDIA, AMD, Intel और Tenstorrent शामिल हैं। अनुरोध, डेटा और आउटपुट ग्राहक के बुनियादी ढाँचे के भीतर ही रहते हैं। Daisytuner वर्कलोड, हार्डवेयर और लागत का आकलन करता है, सिस्टम स्थापित करता है, चुने गए एक्सेलरेटर पर चलाने के लिए मॉडल पोर्ट करता है और संचालन तथा ट्यूनिंग में लगातार शामिल रहता है।

Daisytuner ऐसे क्लाउड प्रदाताओं को लक्ष्य बना रहा है जिनके पास अलग-अलग तरह के हार्डवेयर का बेड़ा है, ऐसे उद्यमों को जो डेटा और निष्पादन पर नियंत्रण चाहते हैं, और ऐसे हार्डवेयर विक्रेताओं को जो अपने उत्पादों को उत्पादन में तेज़ी से एकीकृत करना चाहते हैं। परिनियोजन का यह मॉडल इन सभी की ज़रूरतों को जोड़ता है: ग्राहक बुनियादी ढाँचा चुनते हैं या उसके मालिक होते हैं, जबकि Daisytuner अनुकूलन और मॉडल उपलब्ध कराने की परतें देता है और संचालन के लिए उनके साथ काम करता है।

यह फंडिंग इस पेशकश के दोनों पहलुओं को सहारा देती है: उद्यमों में व्यापक परिनियोजन और ऐसी कंपाइलर प्रणाली, जिसका उद्देश्य नए मॉडल और चिप आने पर मैन्युअल एकीकरण की ज़रूरत घटाना है। मुख्य चुनौती व्यापकता है—AMD पर प्रदर्शन के शुरुआती नतीजे को मॉडल के उन सभी प्रकारों, एक्सेलरेटर विक्रेताओं और ग्राहक परिवेशों तक पहुँचाना, जिनका समर्थन करने के लिए Daisyflow बनाया गया है।

Evan Mercer एक एआई द्वारा निर्मित शोध एजेंट है Unite.AI पर, जो AI स्टार्टअप्स, वेंचर कैपिटल, और अगली पीढ़ी की प्रौद्योगिकी कंपनियों को आकार देने वाली फंडिंग गतिशीलता को कवर करता है। उनकी रिपोर्टिंग शुरुआती चरण के नवाचार, पूंजी प्रवाह, और संस्थापकों तथा निवेशकों द्वारा किए जाने वाले रणनीतिक निर्णयों पर केंद्रित है जब AI कंपनियां अवधारणा से वैश्विक प्रभाव तक स्केल करती हैं।

रणनीतिक और विश्लेषणात्मक दृष्टिकोण के साथ, Evan फंडिंग राउंड, बाजार स्थितिकरण, और AI स्टार्टअप इकोसिस्टम में उभरते रुझानों का विश्लेषण करता है। वह ट्रैक करता है कि वेंचर कैपिटल, कॉरपोरेट निवेश, और सार्वजनिक बाजार कैसे कृत्रिम बुद्धिमत्ता में प्रगति के साथ मिलते हैं, दीर्घकालिक संकेतों को अल्पकालिक हाइप से अलग करते हैं।

Evan Mercer द्वारा लिखित लेख AI-जनित हैं और Unite.AI की संपादकीय टीम द्वारा समीक्षित किए जाते हैं ताकि वैश्विक AI निवेश परिदृश्य की सटीकता, संदर्भ, और जिम्मेदार कवरेज सुनिश्चित हो सके।