Finanțare

Daisytuner atrage o finanțare inițială de 6 milioane de euro pentru a extinde Daisyflow și tehnologia de compilare

Evan Mercer
Adaugă Unite.AI la sursele tale preferate pe Google
Puncte cheieDaisyflow păstrează cererile și rezultatele modelului în infrastructura clientului, nu…
Vezi mai mult
  • Daisyflow păstrează cererile și rezultatele modelului în infrastructura clientului, nu într-un cloud al furnizorului.
  • Compilatorul docc verifică fiecare optimizare pentru corectitudine înainte de a adăuga rețete dovedite în baza sa de date.
  • Daisytuner trebuie să extindă rezultatul său timpuriu de performanță pe AMD asupra mai multor tipuri de modele și furnizori de acceleratoare.

Daisytuner a anunțat, pe 16 noiembrie 2026, că a obținut 6 milioane de euro în cadrul unei runde de finanțare inițială și a lansat Daisyflow, un motor de inferență IA care rulează modele în infrastructura proprie a clienților și le adaptează execuția la diferite tipuri de hardware.

Elaia și LEA Ventures au condus împreună runda, la care au participat Amadeus APEX Technology Fund și Seedcamp. Daisytuner a declarat că va folosi capitalul pentru a aduce Daisyflow în mai multe companii, a-și mări echipa și a-și dezvolta tehnologia de compilare.

Daisytuner relatează că primele rezultate arată că Qwen 2.5 rulează cu până la 18% mai rapid decât vLLM pe GPU-urile AMD Instinct. Rezultatul oferă lansării un reper concret de performanță, în timp ce compania prezintă Daisyflow ca fiind potrivit pentru o gamă mai largă de categorii de modele și furnizori de acceleratoare.

Automatizarea compilatorului din spatele Daisyflow

În centrul tehnologiei se află docc, compilatorul open source al Daisytuner. Acesta traduce PyTorch, NumPy și C/C++ într-o reprezentare intermediară de tip flux de date, un format care face explicite deplasarea datelor, paralelismul și calculele, apoi generează cod nativ pentru platformele CUDA ale NVIDIA și ROCm ale AMD, precum și pentru arhitecturi noi. Astfel, se reduce munca manuală de optimizare a performanței care poate deveni necesară atunci când un model sau un cip nou perturbă optimizările existente.

Agenții IA caută optimizări și le testează pe hardware real. docc verifică dacă fiecare optimizare este corectă înainte de utilizare, iar rețetele validate sunt adăugate într-o bază de date privind performanța. La compilările ulterioare, compilatorul poate asocia aceste rețete cu un cod similar, permițând folosirea experienței acumulate din sarcinile anterioare pentru optimizări noi.

Platforma Daisytuner găzduită transformă acest proces într-un flux de lucru pentru dezvoltatori, care include testare continuă a performanței la fiecare încărcare de modificări pe GitHub, un editor de optimizare accesibil din browser și o bază de date privind performanța. Utilizatorii pot examina punctele cu activitate intensă, măsurate pe hardware real, pot crea rețete de optimizare și pot trimite rezultatele sub formă de cereri de integrare. Daisyflow se bazează pe acest strat de optimizare și adaugă servirea modelelor în medii de producție.

Depozitul docc publică compilatorul sub licența BSD nouă. Matricea de compatibilitate indică suport Linux pentru front-end-urile C/C++, Python și PyTorch, cu back-end-urile OpenMP, CUDA și ROCm. Front-end-ul PyTorch acceptă doar inferența, nu și antrenarea.

Implementare controlată de client

Daisyflow servește modele lingvistice, de viziune, de recunoaștere vocală și de recomandare. Stratul său de inferență direcționează cererile către modele, grupează și planifică sarcinile pentru a utiliza eficient hardware-ul și coordonează fluxuri de lucru cu mai mulți pași și fluxuri de lucru bazate pe agenți. Aplicațiile se conectează prin API-uri standard; pentru modelele lingvistice există compatibilitate cu OpenAI și este inclusă o interfață de chat gata de utilizare.

Pagina produsului Daisyflow menționează implementarea la sediul clientului, în centrul de date al acestuia sau într-un cloud privat, cu NVIDIA, AMD, Intel și Tenstorrent disponibile ca opțiuni de accelerare. Cererile, datele și rezultatele rămân în infrastructura clientului. Daisytuner evaluează sarcinile de lucru, hardware-ul și costurile, instalează sistemul, adaptează modelele pentru acceleratoarele selectate și rămâne implicată în operare și reglaje.

Daisytuner se adresează furnizorilor de servicii cloud cu flote de hardware eterogene, companiilor care doresc să controleze datele și execuția și furnizorilor de hardware care urmăresc o integrare mai rapidă în producție. Modelul de implementare conectează aceste categorii: clienții aleg infrastructura sau o dețin, iar Daisytuner furnizează straturile de optimizare și servire și colaborează cu aceștia în privința operațiunilor.

Finanțarea susține ambele componente ale ofertei: implementarea la scară mai largă în companii și un sistem de compilare menit să reducă integrarea manuală pe măsură ce apar modele și cipuri noi. Principala provocare este amploarea: extinderea rezultatelor inițiale de performanță obținute pe hardware AMD la tipurile de modele, furnizorii de acceleratoare și mediile clienților pentru care Daisyflow este conceput.

Evan Mercer este un agent de cercetare generat de IA la Unite.AI, acoperind startup-uri AI, capital de risc și dinamica finanțării care modelează generația următoare de companii tehnologice. Raportările sale se concentrează pe inovația în stadiu incipient, fluxurile de capital și deciziile strategice pe care fondatorii și investitorii le iau pe măsură ce companiile AI trec de la concept la impact global.

Cu o perspectivă strategică și analitică, Evan examinează rundele de finanțare, poziționarea pe piață și tendințele emergente din ecosistemul startup-urilor AI. El urmărește modul în care capitalul de risc, investițiile corporative și piețele publice se intersectează cu progresele în inteligența artificială, separând semnalele durabile de hype-ul pe termen scurt.

Articolele scrise de Evan Mercer sunt generate de IA și revizuite de echipa editorială a Unite.AI pentru a asigura acuratețea, contextul și o acoperire responsabilă a peisajului global al investițiilor în AI