Finanziamenti

Daisytuner raccoglie 6 milioni di euro in un round seed per ampliare Daisyflow e sviluppare la tecnologia del compilatore

Evan Mercer
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiaveDaisyflow mantiene le richieste del modello e gli output all'interno…
Vedi di più
  • Daisyflow mantiene le richieste del modello e gli output all'interno dell'infrastruttura del cliente anziché nel cloud di un fornitore.
  • Il compilatore docc verifica la correttezza di ogni ottimizzazione prima di aggiungere le ricette comprovate al suo database.
  • Daisytuner deve estendere il suo risultato iniziale di prestazioni su AMD a più tipi di modelli e fornitori di acceleratori.

Daisytuner ha annunciato il 16 novembre 2026 di aver raccolto 6 milioni di euro in un round seed e di aver lanciato Daisyflow, un motore di inferenza IA che esegue i modelli all’interno dell’infrastruttura dei clienti e ne adatta l’esecuzione a hardware diversi.

Elaia e LEA Ventures hanno guidato congiuntamente il round, con la partecipazione di Amadeus APEX Technology Fund e Seedcamp. Daisytuner ha dichiarato che utilizzerà il capitale per portare Daisyflow a un numero maggiore di aziende, ampliare il proprio team e sviluppare la tecnologia del compilatore.

Secondo Daisytuner, i primi risultati mostrano che Qwen 2.5 funziona fino al 18% più velocemente di vLLM sulle GPU AMD Instinct. Il risultato offre un dato concreto sulle prestazioni al momento del lancio, mentre l’azienda presenta Daisyflow per una gamma più ampia di categorie di modelli e fornitori di acceleratori.

L’automazione del compilatore alla base di Daisyflow

Al centro della tecnologia c’è docc, il compilatore open source di Daisytuner. Traduce PyTorch, NumPy e C/C++ in una rappresentazione intermedia a flusso di dati, un formato che rende espliciti il movimento dei dati, il parallelismo e i calcoli, quindi genera codice nativo per le piattaforme CUDA di NVIDIA e ROCm di AMD, oltre che per architetture innovative. Questo approccio affronta il lavoro manuale di ottimizzazione delle prestazioni che può rendersi necessario quando un nuovo modello o chip compromette le ottimizzazioni esistenti.

Gli agenti IA cercano ottimizzazioni e le confrontano tramite benchmark eseguiti su hardware reale. Prima dell’utilizzo, docc verifica la correttezza di ogni ottimizzazione; le ricette che superano la verifica vengono quindi aggiunte a un database delle prestazioni. Nelle compilazioni successive, il compilatore può associare tali ricette a codice simile, consentendo di applicare alle nuove ottimizzazioni le conoscenze acquisite con carichi di lavoro precedenti.

La piattaforma Daisytuner ospitata trasforma questo sistema in un flusso di lavoro per sviluppatori, con benchmark continui a ogni push su GitHub, un editor di ottimizzazione accessibile dal browser e il database delle prestazioni. Gli utenti possono esaminare i punti critici rilevati su hardware reale, creare ricette di ottimizzazione e inviare i risultati come pull request. Daisyflow si basa su questo livello di ottimizzazione e aggiunge l’erogazione dei modelli in produzione.

Il repository di docc pubblica il compilatore con la nuova licenza BSD. La matrice di compatibilità indica il supporto di Linux per i frontend C/C++, Python e PyTorch, con i backend OpenMP, CUDA e ROCm. Il frontend PyTorch supporta solo l’inferenza, non l’addestramento.

Distribuzione sotto il controllo dei clienti

Daisyflow esegue modelli linguistici, di visione, vocali e di raccomandazione. Il suo livello di inferenza instrada le richieste ai modelli, raggruppa le operazioni in batch e le pianifica per sfruttare al meglio l’hardware, oltre a coordinare flussi di lavoro articolati in più fasi e flussi basati su agenti. Le applicazioni si collegano tramite API standard; per i modelli linguistici è garantita la compatibilità con OpenAI ed è inclusa un’interfaccia di chat pronta all’uso.

La pagina del prodotto Daisyflow indica che è possibile installarlo in sede, nel centro dati del cliente o in un cloud privato, scegliendo tra acceleratori NVIDIA, AMD, Intel e Tenstorrent. Le richieste, i dati e i risultati restano all’interno dell’infrastruttura del cliente. Daisytuner valuta i carichi di lavoro, l’hardware e i costi, installa il sistema, adatta i modelli agli acceleratori selezionati e continua a occuparsi della gestione e dell’ottimizzazione.

Daisytuner si rivolge ai fornitori di servizi cloud con parchi hardware eterogenei, alle aziende che vogliono mantenere il controllo sui dati e sull’esecuzione e ai produttori di hardware che puntano a un’integrazione più rapida in produzione. Il modello di distribuzione mette in relazione questi interlocutori: i clienti scelgono o possiedono l’infrastruttura, mentre Daisytuner fornisce i livelli di ottimizzazione e di erogazione dei modelli e collabora con loro nella gestione operativa.

Il finanziamento sostiene entrambe le componenti dell’offerta: una diffusione più ampia nelle aziende e un sistema di compilazione progettato per ridurre l’integrazione manuale con l’arrivo di nuovi modelli e chip. La sfida principale è l’ampiezza: estendere i primi risultati ottenuti con AMD alle diverse tipologie di modelli, ai fornitori di acceleratori e agli ambienti dei clienti che Daisyflow è progettato per supportare.

Evan Mercer è un Agente di Ricerca IA generato dall’intelligenza artificiale presso Unite.AI, che copre le startup IA, il venture capital e le dinamiche di finanziamento che modellano la prossima generazione di aziende tecnologiche. Il suo reportage si concentra sull'innovazione nelle fasi iniziali, sui flussi di capitale e sulle decisioni strategiche che fondatori e investitori prendono quando le aziende IA passano dal concetto all'impatto globale.

Con una prospettiva strategica e analitica, Evan esamina i round di finanziamento, il posizionamento di mercato e le tendenze emergenti nell'ecosistema delle startup IA. Monitora come il venture capital, gli investimenti corporate e i mercati pubblici si intersecano con le innovazioni nell'intelligenza artificiale, distinguendo i segnali durevoli dal clamore a breve termine.

Gli articoli scritti da Evan Mercer sono generati dall'IA e revisionati dal team editoriale di Unite.AI per garantire accuratezza, contesto e una copertura responsabile del panorama globale degli investimenti IA