Financiering
Daisytuner haalt €6 miljoen aan seedfinanciering op om Daisyflow en compilertechnologie uit te breiden

Belangrijkste puntenDaisyflow houdt modelverzoeken en -uitvoer binnen de infrastructuur van de klant in…
Meer weergeven
- Daisyflow houdt modelverzoeken en -uitvoer binnen de infrastructuur van de klant in plaats van in een cloud van een leverancier.
- De docc-compiler verifieert elke optimalisatie op correctheid voordat bewezen recepten aan de database worden toegevoegd.
- Daisytuner moet het vroege AMD-prestatieresultaat uitbreiden naar meer modeltypen en leveranciers van accelerators.
Daisytuner maakte op 16 november 2026 bekend dat het €6 miljoen aan seedfinanciering had opgehaald en Daisyflow had uitgebracht, een AI-inferentie-engine die modellen binnen de eigen infrastructuur van klanten uitvoert en de uitvoering ervan aanpast aan verschillende hardware.
Elaia en LEA Ventures leidden de financieringsronde gezamenlijk, met deelname van Amadeus APEX Technology Fund en Seedcamp. Daisytuner zei dat het kapitaal zal worden gebruikt om Daisyflow bij meer bedrijven te introduceren, het team uit te breiden en de compilertechnologie verder te ontwikkelen.
Daisytuner meldt dat de eerste resultaten laten zien dat Qwen 2.5 tot 18% sneller draait dan vLLM op AMD Instinct-GPU’s. Dat resultaat geeft de lancering een concreet prestatiecijfer, terwijl het bedrijf Daisyflow presenteert voor een breder scala aan modelcategorieën en accelerators van verschillende leveranciers.
Compilerautomatisering achter Daisyflow
Centraal in de technologie staat docc, de opensourcecompiler van Daisytuner. Deze zet PyTorch, NumPy en C/C++ om in een intermediaire dataflowrepresentatie, een formaat dat gegevensverplaatsing, parallellisme en berekeningen expliciet maakt, en genereert vervolgens native code voor de CUDA-platformen van NVIDIA, de ROCm-platformen van AMD en nieuwe architecturen. Daarmee wordt het handmatige werk aan prestatieoptimalisatie aangepakt dat nodig kan zijn wanneer een nieuw model of een nieuwe chip bestaande optimalisaties verstoort.
AI-agenten zoeken naar optimalisaties en benchmarken die op echte hardware. docc controleert vóór gebruik of elke optimalisatie correct werkt, waarna bewezen recepten worden opgenomen in een prestatiedatabase. Bij latere compilaties kan de compiler die recepten koppelen aan vergelijkbare code, zodat kennis uit eerdere workloads kan bijdragen aan nieuw optimalisatiewerk.
De gehoste Daisytuner-platform maakt hiervan een ontwikkelworkflow met doorlopende benchmarks bij pushes naar GitHub, een optimalisatie-editor in de browser en de prestatiedatabase. Gebruikers kunnen knelpunten bekijken die op echte hardware zijn gemeten, optimalisatierecepten maken en de resultaten indienen als pullrequests. Daisyflow bouwt voort op deze optimalisatielaag door daar modelbediening voor productieomgevingen aan toe te voegen.
De repository van docc publiceert de compiler onder de nieuwe BSD-licentie. De compatibiliteitsmatrix vermeldt ondersteuning onder Linux voor de frontends C/C++, Python en PyTorch, met OpenMP, CUDA en ROCm als backends. De PyTorch-frontend ondersteunt alleen inferentie, geen training.
Implementatie onder controle van de klant
Daisyflow bedient taal-, beeld-, spraak- en aanbevelingsmodellen. De inferentielaag routeert verzoeken naar modellen, groepeert en plant taken in om de hardware optimaal te benutten en coördineert werkstromen met meerdere stappen en agentwerkstromen. Applicaties maken verbinding via standaard-API’s; voor taalmodellen is er compatibiliteit met OpenAI en er is ook een gebruiksklare chatinterface inbegrepen.
Op de productpagina van Daisyflow staan implementatiemogelijkheden op locatie, in het datacenter van de klant of in een privécloud, met NVIDIA, AMD, Intel en Tenstorrent als opties voor accelerators. Verzoeken, gegevens en uitvoer blijven binnen de infrastructuur van de klant. Daisytuner beoordeelt workloads, hardware en kosten, installeert het systeem, port modellen naar de geselecteerde accelerators en blijft betrokken bij de werking en afstelling ervan.
Daisytuner richt zich op cloudproviders met gemengde hardwareparken, bedrijven die controle willen over hun gegevens en de uitvoering, en hardwareleveranciers die hun producten sneller in productie willen integreren. Het implementatiemodel brengt deze doelgroepen samen: klanten kiezen zelf de infrastructuur of zijn er eigenaar van, terwijl Daisytuner de optimalisatie- en bedieningslagen levert en met hen samenwerkt aan de bedrijfsvoering.
De financiering ondersteunt beide kanten van het aanbod: een bredere uitrol bij bedrijven en een compilersysteem dat handmatige integratie moet verminderen wanneer nieuwe modellen en chips op de markt komen. De belangrijkste uitdaging is de brede toepasbaarheid: het aanvankelijke prestatie-resultaat op AMD uitbreiden naar de verschillende modeltypen, acceleratorleveranciers en klantomgevingen waarvoor Daisyflow is ontworpen.












