Pendanaan
Daisytuner Menggalang Pendanaan Awal €6 Juta untuk Mengembangkan Daisyflow dan Teknologi Kompilator

Poin utamaDaisyflow menjaga permintaan dan keluaran model di dalam infrastruktur pelanggan, bukan…
Lihat selengkapnya
- Daisyflow menjaga permintaan dan keluaran model di dalam infrastruktur pelanggan, bukan di cloud vendor.
- Kompiler docc memverifikasi setiap optimasi untuk kebenaran sebelum menambahkan resep yang terbukti ke basis datanya.
- Daisytuner harus memperluas hasil kinerja AMD awalnya ke lebih banyak jenis model dan vendor akselerator.
Daisytuner mengumumkan pada 16 November 2026 bahwa perusahaan telah menggalang pendanaan tahap awal sebesar €6 juta dan meluncurkan Daisyflow, mesin inferensi AI yang menjalankan model di dalam infrastruktur milik pelanggan dan menyesuaikan eksekusinya dengan berbagai perangkat keras.
Elaia dan LEA Ventures memimpin bersama putaran pendanaan ini, dengan partisipasi dari Amadeus APEX Technology Fund dan Seedcamp. Daisytuner mengatakan bahwa dana tersebut akan digunakan untuk menghadirkan Daisyflow ke lebih banyak perusahaan, memperbesar tim, dan mengembangkan teknologi kompilatornya.
Daisytuner melaporkan bahwa hasil awal menunjukkan Qwen 2.5 berjalan hingga 18% lebih cepat daripada vLLM pada GPU AMD Instinct. Hasil ini memberikan tolok ukur kinerja yang konkret untuk peluncuran tersebut, seiring perusahaan memperkenalkan Daisyflow untuk cakupan kategori model dan penyedia akselerator yang lebih luas.
Otomatisasi Kompilator di Balik Daisyflow
Inti teknologinya adalah docc, kompilator sumber terbuka milik Daisytuner. Kompilator ini menerjemahkan PyTorch, NumPy, dan C/C++ ke dalam representasi antara aliran data, format yang memperjelas perpindahan data, paralelisme, dan komputasi, lalu menghasilkan kode native untuk platform CUDA milik NVIDIA, ROCm milik AMD, serta arsitektur baru. Teknologi ini mengatasi pekerjaan manual untuk meningkatkan kinerja yang dapat muncul ketika model atau chip baru mengganggu optimasi yang sudah ada.
Agen AI mencari optimasi dan mengujinya pada perangkat keras nyata. Sebelum digunakan, docc memverifikasi kebenaran setiap optimasi, lalu resep yang terbukti efektif dimasukkan ke dalam basis data kinerja. Dalam proses kompilasi berikutnya, kompilator dapat mencocokkan resep tersebut dengan kode serupa, sehingga pengetahuan dari beban kerja sebelumnya dapat membantu proses optimasi yang baru.
Platform Daisytuner yang dihosting mengubah proses ini menjadi alur kerja pengembangan, dengan pengujian kinerja berkelanjutan setiap kali ada push ke GitHub, editor optimasi berbasis peramban, dan basis data kinerja. Pengguna dapat memeriksa titik-titik hambatan yang diukur pada perangkat keras nyata, membuat resep optimasi, dan mengirimkan hasilnya sebagai pull request. Daisyflow mengembangkan lapisan optimasi tersebut dengan menambahkan layanan model untuk penggunaan produksi.
Repositori docc menerbitkan kompilator ini dengan lisensi BSD baru. Matriks kompatibilitasnya mencantumkan dukungan Linux untuk frontend C/C++, Python, dan PyTorch, dengan backend OpenMP, CUDA, dan ROCm. Frontend PyTorch hanya mendukung inferensi, bukan pelatihan.
Penerapan dalam Kendali Pelanggan
Daisyflow menjalankan model bahasa, visi, ucapan, dan rekomendasi. Lapisan inferensinya mengarahkan permintaan ke model, mengelompokkan dan menjadwalkan pekerjaan untuk mengoptimalkan pemanfaatan perangkat keras, serta mengoordinasikan alur kerja bertahap dan alur kerja agen. Aplikasi terhubung melalui API standar, dengan kompatibilitas OpenAI untuk model bahasa; antarmuka obrolan siap pakai juga disertakan.
Halaman produk Daisyflow mencantumkan opsi penerapan di lokasi, di pusat data pelanggan, atau di cloud privat, dengan NVIDIA, AMD, Intel, dan Tenstorrent sebagai pilihan akselerator. Permintaan, data, dan keluaran tetap berada dalam infrastruktur pelanggan. Daisytuner menilai beban kerja, perangkat keras, dan biaya, memasang sistem, memindahkan model agar berjalan pada akselerator yang dipilih, serta terus terlibat dalam pengoperasian dan penyetelan.
Daisytuner menyasar penyedia cloud dengan beragam perangkat keras, perusahaan yang menginginkan kendali atas data dan eksekusi, serta vendor perangkat keras yang ingin mempercepat integrasi ke produksi. Model penerapan ini menghubungkan kelompok-kelompok tersebut: pelanggan memilih atau memiliki infrastrukturnya sendiri, sementara Daisytuner menyediakan lapisan optimasi dan layanan model serta bekerja sama dengan mereka dalam pengoperasian.
Pendanaan ini mendukung kedua sisi penawaran tersebut: penerapan yang lebih luas di perusahaan dan sistem kompilator yang dirancang untuk mengurangi integrasi manual seiring hadirnya model dan chip baru. Tantangan utamanya adalah cakupan: memperluas hasil kinerja awal pada AMD ke berbagai jenis model, vendor akselerator, dan lingkungan pelanggan yang dirancang untuk didukung Daisyflow.












