Finansiering

Daisytuner henter 6 millioner euro i såkornfinansiering for å utvide Daisyflow og kompilatorteknologien

Evan Mercer
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterDaisyflow holder modellforespørsler og -utdata inne i kundens infrastruktur i stedet…
Vis mer
  • Daisyflow holder modellforespørsler og -utdata inne i kundens infrastruktur i stedet for i en leverandørsky.
  • docc-kompilatoren verifiserer hver optimalisering for korrekthet før den legger til beviste oppskrifter i databasen.
  • Daisytuner må utvide sitt tidlige AMD-ytelsesresultat til flere modelltyper og akseleratorleverandører.

Daisytuner kunngjorde 16. november 2026 at selskapet hadde hentet 6 millioner euro i såkornfinansiering og lansert Daisyflow, en KI-inferensmotor som kjører modeller i kundenes egen infrastruktur og tilpasser kjøringen til ulik maskinvare.

Elaia og LEA Ventures ledet finansieringsrunden sammen, med deltakelse fra Amadeus APEX Technology Fund og Seedcamp. Daisytuner opplyste at kapitalen skal brukes til å gjøre Daisyflow tilgjengelig for flere virksomheter, utvide teamet og videreutvikle kompilatorteknologien.

Daisytuner opplyser at de første resultatene viser at Qwen 2.5 kjører opptil 18 % raskere enn vLLM på AMD Instinct-GPU-er. Resultatet gir lanseringen et konkret ytelsestall samtidig som selskapet presenterer Daisyflow for et bredere utvalg av modellkategorier og akseleratorleverandører.

Kompilatorautomatisering ligger til grunn for Daisyflow

Kjernen i teknologien er docc, Daisytuners åpen kildekode-kompilator. Den oversetter PyTorch, NumPy og C/C++ til en mellomrepresentasjon for dataflyt, et format som synliggjør dataflyt, parallellitet og beregninger, og genererer deretter opprinnelig kode for NVIDIAs CUDA- og AMDs ROCm-plattformer samt for nye arkitekturer. Dette tar tak i det manuelle ytelsesarbeidet som kan oppstå når en ny modell eller brikke forstyrrer eksisterende optimaliseringer.

KI-agenter leter etter optimaliseringer og måler ytelsen deres på faktisk maskinvare. docc kontrollerer at hver optimalisering er korrekt før den tas i bruk, og dokumenterte oppskrifter legges inn i en ytelsesdatabase. Ved senere kompilering kan kompilatoren finne oppskrifter som passer til lignende kode, slik at erfaringer fra tidligere arbeidsbelastninger kan bidra til nye optimaliseringer.

Den vertsbaserte Daisytuner-plattformen gjør dette til en arbeidsflyt for utviklere, med kontinuerlig ytelsesmåling når det pushes til GitHub, et nettleserbasert verktøy for optimalisering og ytelsesdatabasen. Brukerne kan undersøke flaskehalser målt på faktisk maskinvare, lage optimaliseringsoppskrifter og sende resultatene inn som pull-forespørsler. Daisyflow bygger videre på dette optimaliseringslaget ved å legge til modellservering for produksjonsbruk.

docc-repositoriet publiserer kompilatoren under New BSD-lisensen. Kompatibilitetsmatrisen viser støtte for Linux, med grensesnitt for C/C++, Python og PyTorch og støtte for OpenMP-, CUDA- og ROCm-bakender. PyTorch-grensesnittet støtter bare inferens, ikke trening.

Distribusjon under kundens kontroll

Daisyflow kjører språk-, syns-, tale- og anbefalingsmodeller. Inferenslaget ruter forespørsler til modeller, samler forespørsler i grupper og planlegger arbeidet for å utnytte maskinvaren best mulig, og koordinerer arbeidsflyter med flere trinn og KI-agenter. Applikasjoner kobles til via standard-API-er, med OpenAI-kompatibilitet for språkmodeller, og en chatløsning som er klar til bruk, følger med.

Produktsiden for Daisyflow oppgir at løsningen kan distribueres lokalt hos kunden, i kundens datasenter eller i en privat sky, med NVIDIA, AMD, Intel og Tenstorrent som mulige akseleratorer. Forespørsler, data og resultater forblir i kundens infrastruktur. Daisytuner vurderer arbeidsbelastninger, maskinvare og kostnader, installerer systemet, porter modeller til de valgte akseleratorene og bidrar videre med drift og finjustering.

Daisytuner retter seg mot skyleverandører med maskinvareparker som består av ulike typer utstyr, virksomheter som ønsker kontroll over data og kjøring, og maskinvareleverandører som vil få produktene sine raskere inn i produksjon. Distribusjonsmodellen knytter disse målgruppene sammen: Kundene velger eller eier infrastrukturen, mens Daisytuner leverer optimaliserings- og serveringslagene og samarbeider med dem om driften.

Finansieringen støtter begge sider av tilbudet: bredere distribusjon i virksomheter og et kompilatorsystem som skal redusere behovet for manuell integrering når nye modeller og brikker kommer. Hovedutfordringen er bredden: å utvide det tidlige ytelsesresultatet fra AMD til modelltypene, akseleratorleverandørene og kundemiljøene som Daisyflow er utviklet for å støtte.

Evan Mercer er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-oppstartsbedrifter, venturekapital og finansieringsdynamikken som former neste generasjon av teknologiselskaper. Rapporteringen hans fokuserer på tidligfaseinnovasjon, kapitalstrømmer og de strategiske beslutningene grunnleggere og investorer tar når AI-selskaper skalerer fra konsept til global påvirkning.

Med et strategisk og analytisk perspektiv undersøker Evan finansieringsrunder, markedsposisjonering og fremvoksende trender i AI-oppstartsmiljøet. Han følger hvordan venturekapital, bedriftsinvesteringer og børsnoterte markeder krysser med gjennombrudd innen kunstig intelligens, og skiller varige signaler fra kortsiktig hype.

Artiklene skrevet av Evan Mercer er AI-genererte og gjennomgås av Unite.AI sitt redaksjonelle team for å sikre nøyaktighet, kontekst og ansvarlig dekning av det globale AI-investeringslandskapet