Financiamento
Daisytuner capta € 6 milhões em rodada seed para expandir o Daisyflow e a tecnologia de compiladores

Pontos-chaveA Daisyflow mantém as solicitações e saídas do modelo dentro da infraestrutura do…
Ver mais
- A Daisyflow mantém as solicitações e saídas do modelo dentro da infraestrutura do cliente, em vez de uma nuvem do fornecedor.
- O compilador docc verifica a correção de cada otimização antes de adicionar receitas comprovadas ao seu banco de dados.
- A Daisytuner deve estender seu resultado inicial de desempenho em AMD para mais tipos de modelos e fornecedores de aceleradores.
A Daisytuner anunciou, em 16 de novembro de 2026, que captou € 6 milhões em uma rodada de financiamento seed e lançou o Daisyflow, um mecanismo de inferência de IA que executa modelos na própria infraestrutura dos clientes e adapta sua execução a diferentes hardwares.
Elaia e LEA Ventures lideraram a rodada, que também contou com a participação do Amadeus APEX Technology Fund e da Seedcamp. A Daisytuner informou que usará o capital para levar o Daisyflow a mais empresas, ampliar sua equipe e expandir sua tecnologia de compiladores.
A Daisytuner afirma que seus primeiros resultados mostram o Qwen 2.5 rodando até 18% mais rápido que o vLLM em GPUs AMD Instinct. O resultado oferece um dado concreto de desempenho para o lançamento, enquanto a empresa apresenta o Daisyflow como uma solução para uma gama mais ampla de categorias de modelos e fornecedores de aceleradores.
Automação de compiladores por trás do Daisyflow
No centro da tecnologia está o docc, compilador de código aberto da Daisytuner. Ele traduz PyTorch, NumPy e C/C++ para uma representação intermediária de fluxo de dados, formato que explicita a movimentação de dados, o paralelismo e a computação; em seguida, gera código nativo para as plataformas CUDA, da NVIDIA, e ROCm, da AMD, além de arquiteturas inovadoras. Isso reduz o trabalho manual de otimização de desempenho que pode surgir quando um novo modelo ou chip compromete as otimizações existentes.
Agentes de IA buscam otimizações e as avaliam em hardware real. Antes de serem usadas, o docc verifica a correção de cada otimização, e as receitas comprovadas são adicionadas a um banco de dados de desempenho. Em compilações futuras, o compilador pode associar essas receitas a códigos semelhantes, permitindo que o conhecimento de cargas de trabalho anteriores oriente novas otimizações.
A plataforma Daisytuner hospedada transforma esse processo em um fluxo de trabalho para desenvolvedores, com testes de desempenho contínuos a cada envio de código ao GitHub, um editor de otimizações no navegador e o banco de dados de desempenho. Os usuários podem examinar gargalos identificados em hardware real, criar receitas de otimização e enviar os resultados como solicitações de integração. O Daisyflow se apoia nessa camada de otimização e acrescenta a disponibilização de modelos em produção.
O repositório do docc disponibiliza o compilador sob a nova licença BSD. Sua matriz de compatibilidade lista suporte a Linux para C/C++, Python e interfaces de PyTorch, com back-ends OpenMP, CUDA e ROCm. A interface de PyTorch oferece suporte apenas à inferência, não ao treinamento.
Implantação sob controle do cliente
O Daisyflow executa modelos de linguagem, visão computacional, fala e recomendação. Sua camada de inferência encaminha solicitações aos modelos, agrupa e agenda tarefas para aproveitar o hardware e coordena fluxos de trabalho com várias etapas e agentes. Os aplicativos se conectam por meio de APIs padrão; há compatibilidade com a OpenAI para modelos de linguagem e uma interface de chat pronta para uso.
A página do produto Daisyflow lista opções de implantação local, no centro de dados do cliente ou em uma nuvem privada, com NVIDIA, AMD, Intel e Tenstorrent como opções de aceleradores. As solicitações, os dados e os resultados permanecem na infraestrutura do cliente. A Daisytuner avalia as cargas de trabalho, o hardware e os custos, instala o sistema, adapta os modelos aos aceleradores selecionados e continua envolvida na operação e no ajuste.
A Daisytuner tem como público-alvo provedores de nuvem com frotas de hardware heterogêneas, empresas que desejam controlar os dados e a execução e fabricantes de hardware que buscam acelerar a integração em produção. O modelo de implantação atende a esses públicos: os clientes escolhem ou possuem a infraestrutura, enquanto a Daisytuner fornece as camadas de otimização e disponibilização de modelos e trabalha com eles na operação.
O financiamento apoia os dois lados dessa oferta: a expansão da implantação em empresas e um sistema de compilação concebido para reduzir a integração manual à medida que novos modelos e chips são lançados. O principal desafio é ampliar o alcance: estender os primeiros resultados de desempenho em hardware AMD aos diferentes tipos de modelos, fornecedores de aceleradores e ambientes de clientes que o Daisyflow foi projetado para atender.












