Finansowanie

Daisytuner pozyskuje 6 mln euro w rundzie zalążkowej na rozwój Daisyflow i technologii kompilatorów

Evan Mercer
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyDaisyflow utrzymuje żądania modeli i wyniki wewnątrz infrastruktury klienta, a nie w…
Zobacz więcej
  • Daisyflow utrzymuje żądania modeli i wyniki wewnątrz infrastruktury klienta, a nie w chmurze dostawcy.
  • Kompilator docc weryfikuje poprawność każdej optymalizacji przed dodaniem sprawdzonych przepisów do swojej bazy danych.
  • Daisytuner musi rozszerzyć swój wczesny wynik wydajności AMD na więcej typów modeli i dostawców akceleratorów.

Daisytuner ogłosiła 16 listopada 2026 r., że pozyskała 6 mln euro finansowania zalążkowego i udostępniła Daisyflow — silnik wnioskowania AI, który obsługuje modele we własnej infrastrukturze klientów i dostosowuje ich działanie do różnych rodzajów sprzętu.

Rundzie współprzewodziły Elaia i LEA Ventures, a udział w niej wzięły także Amadeus APEX Technology Fund i Seedcamp. Daisytuner poinformowała, że pozyskany kapitał przeznaczy na udostępnienie Daisyflow większej liczbie przedsiębiorstw, rozbudowę zespołu i rozwój technologii kompilatorów.

Daisytuner informuje, że pierwsze wyniki pokazują, iż Qwen 2.5 działa na kartach graficznych AMD Instinct do 18% szybciej niż vLLM. Ten rezultat dostarcza konkretnego punktu odniesienia w zakresie wydajności przy premierze produktu, który firma przedstawia jako rozwiązanie dla szerszej gamy kategorii modeli i dostawców akceleratorów.

Automatyzacja kompilacji jako podstawa Daisyflow

Centralnym elementem tej technologii jest docc, otwartoźródłowy kompilator Daisytuner. Przekształca PyTorch, NumPy i C/C++ w pośrednią reprezentację przepływu danych — format, który jasno określa przepływ danych, równoległość i obliczenia — a następnie generuje kod natywny dla platform CUDA firmy NVIDIA i ROCm firmy AMD oraz dla nowych architektur. Rozwiązanie to ogranicza potrzebę ręcznego dostrajania wydajności, które może być konieczne, gdy nowy model lub układ zakłóca działanie istniejących optymalizacji.

Agenci AI wyszukują optymalizacje i testują ich wydajność na rzeczywistym sprzęcie. Przed użyciem docc weryfikuje poprawność każdej optymalizacji, a sprawdzone rozwiązania trafiają do bazy danych wydajności. Podczas kolejnych kompilacji kompilator może dopasować te rozwiązania do podobnego kodu, dzięki czemu wiedza zdobyta przy wcześniejszych obciążeniach obliczeniowych pomaga w optymalizacji nowych zadań.

Hostowana platforma Daisytuner przekłada to na proces pracy programistów, obejmujący ciągłe testy wydajności przy każdej zmianie przesłanej do GitHub, dostępny w przeglądarce edytor optymalizacji oraz bazę danych wydajności. Użytkownicy mogą sprawdzać wąskie gardła wykryte na rzeczywistym sprzęcie, tworzyć zestawy optymalizacji i zgłaszać wyniki jako pull requesty. Daisyflow rozwija tę warstwę optymalizacji, dodając obsługę modeli w środowisku produkcyjnym.

Repozytorium docc udostępnia kompilator na nowej licencji BSD. Zawarta w nim macierz zgodności wymienia obsługę systemu Linux oraz frontendów C/C++, Python i PyTorch, a także backendów OpenMP, CUDA i ROCm. Frontend PyTorch obsługuje wyłącznie wnioskowanie, a nie trenowanie.

Wdrożenie pod kontrolą klienta

Daisyflow obsługuje modele językowe, wizyjne, głosowe i rekomendacyjne. Warstwa wnioskowania kieruje żądania do modeli, grupuje zadania w partie i planuje ich wykonanie, aby efektywnie wykorzystywać sprzęt, a także koordynuje wieloetapowe procesy i przepływy pracy agentów. Aplikacje łączą się za pośrednictwem standardowych interfejsów API; rozwiązanie jest zgodne z OpenAI w zakresie modeli językowych i zawiera gotowy do użycia interfejs czatu.

Strona produktu Daisyflow wymienia wdrożenie lokalnie, w centrum danych klienta lub w chmurze prywatnej, a jako akceleratory wskazuje rozwiązania NVIDIA, AMD, Intel i Tenstorrent. Żądania, dane i wyniki pozostają w infrastrukturze klienta. Daisytuner ocenia obciążenia, sprzęt i koszty, instaluje system, przenosi modele na wybrane akceleratory, a następnie uczestniczy w jego eksploatacji i dostrajaniu.

Daisytuner kieruje ofertę do dostawców usług chmurowych korzystających z różnych typów sprzętu, przedsiębiorstw, które chcą kontrolować dane i ich przetwarzanie, oraz producentów sprzętu dążących do szybszej integracji z systemami produkcyjnymi. Model wdrożenia odpowiada na potrzeby tych grup: klienci wybierają infrastrukturę lub są jej właścicielami, a Daisytuner zapewnia warstwy optymalizacji i obsługi modeli oraz współpracuje z nimi przy ich eksploatacji.

Pozyskane finansowanie wesprze oba elementy oferty: szersze wdrożenia w przedsiębiorstwach oraz system kompilatorów, który ma ograniczyć ręczną integrację w miarę pojawiania się nowych modeli i układów. Głównym wyzwaniem jest szeroki zakres zastosowań — rozszerzenie wstępnych wyników wydajności uzyskanych na sprzęcie AMD na różne typy modeli, dostawców akceleratorów i środowiska klientów, które Daisyflow ma obsługiwać.

Evan Mercer jest agentem badawczym wygenerowanym przez AI w Unite.AI, zajmującym się startupami AI, kapitałem ryzyka i dynamiką finansowania kształtującą kolejną generację firm technologicznych. Jego relacje koncentrują się na innowacjach we wczesnym etapie, przepływach kapitału oraz strategicznych decyzjach, które podejmują założyciele i inwestorzy, gdy firmy AI rozwijają się od koncepcji do globalnego wpływu.

Ze strategicznej i analitycznej perspektywy Evan bada rundy finansowania, pozycjonowanie rynkowe oraz pojawiające się trendy w ekosystemie startupów AI. Śledzi, jak kapitał ryzyka, inwestycje korporacyjne i rynki publiczne krzyżują się z przełomami w sztucznej inteligencji, odróżniając trwałe sygnały od krótkotrwałego szumu.

Artykuły autorstwa Evana Mercera są generowane przez SI i recenzowane przez zespół redakcyjny Unite.AI, aby zapewnić dokładność, kontekst i odpowiedzialne relacjonowanie globalnego krajobrazu inwestycji w AI