Финансирование

Daisytuner привлекла €6 млн посевных инвестиций для развития Daisyflow и компиляторных технологий

Evan Mercer
Добавьте Unite.AI в избранные источники в Google
Ключевые моментыDaisyflow сохраняет запросы к моделям и выходные данные внутри инфраструктуры клиента…
Показать больше
  • Daisyflow сохраняет запросы к моделям и выходные данные внутри инфраструктуры клиента, а не в облаке поставщика.
  • Компилятор docc проверяет каждую оптимизацию на корректность, прежде чем добавлять подтверждённые рецепты в свою базу данных.
  • Daisytuner должен распространить свой ранний результат производительности на AMD на большее число типов моделей и поставщиков ускорителей.

Daisytuner объявила 16 ноября 2026 года о привлечении €6 млн в рамках посевного раунда и выпуске Daisyflow — движка инференса ИИ, который обслуживает модели в собственной инфраструктуре заказчиков и адаптирует их выполнение под разное оборудование.

Раунд совместно возглавили Elaia и LEA Ventures при участии Amadeus APEX Technology Fund и Seedcamp. Daisytuner сообщила, что направит привлеченные средства на внедрение Daisyflow в большем числе компаний, расширение команды и развитие компиляторных технологий.

По данным Daisytuner, первые результаты показывают, что Qwen 2.5 работает на графических процессорах AMD Instinct до 18% быстрее, чем vLLM. Этот результат дает конкретный показатель производительности на старте, когда компания представляет Daisyflow для более широкого спектра категорий моделей и производителей ускорителей.

Автоматизация компиляции в основе Daisyflow

В основе технологии лежит docc — компилятор Daisytuner с открытым исходным кодом. Он преобразует PyTorch, NumPy и C/C++ в промежуточное представление потока данных — формат, в котором явно описаны перемещение данных, параллелизм и вычисления, — а затем генерирует машинный код для платформ NVIDIA CUDA и AMD ROCm, а также для новых архитектур. Это позволяет автоматизировать ручную работу по оптимизации производительности, которая может потребоваться, когда новая модель или микросхема нарушает работу существующих оптимизаций.

ИИ-агенты ищут варианты оптимизации и проверяют их производительность на реальном оборудовании. Перед использованием docc проверяет корректность каждой оптимизации, а подтвержденные решения добавляются в базу данных производительности. При последующей компиляции компилятор может сопоставить эти решения с похожим кодом, благодаря чему знания, полученные при работе с предыдущими нагрузками, помогают оптимизировать новые.

Размещенная на хостинге платформа Daisytuner превращает этот процесс в рабочий инструмент для разработчиков: она обеспечивает непрерывное тестирование производительности при отправке изменений в GitHub, редактор оптимизаций в браузере и доступ к базе данных производительности. Пользователи могут изучать узкие места, выявленные на реальном оборудовании, создавать рецепты оптимизации и отправлять результаты в виде запросов на слияние. Daisyflow развивает этот уровень оптимизации, добавляя обслуживание моделей в промышленной среде.

Репозиторий docc публикует компилятор на условиях новой лицензии BSD. В матрице совместимости указана поддержка Linux для фронтендов C/C++, Python и PyTorch с бэкендами OpenMP, CUDA и ROCm. Фронтенд PyTorch поддерживает только инференс, но не обучение.

Развертывание под контролем заказчика

Daisyflow обслуживает языковые, визуальные, речевые и рекомендательные модели. Уровень инференса направляет запросы к моделям, объединяет задачи в пакеты и планирует их выполнение для эффективного использования оборудования, а также координирует многоэтапные процессы и рабочие процессы с агентами. Приложения подключаются через стандартные API; для языковых моделей предусмотрена совместимость с OpenAI, а также включен готовый к использованию чат-интерфейс.

На странице продукта Daisyflow указана возможность развертывания на площадке заказчика, в его центре обработки данных или в частном облаке; среди вариантов ускорителей перечислены NVIDIA, AMD, Intel и Tenstorrent. Запросы, данные и результаты остаются внутри инфраструктуры заказчика. Daisytuner оценивает рабочие нагрузки, оборудование и затраты, устанавливает систему, адаптирует модели для выбранных ускорителей и продолжает участвовать в эксплуатации и настройке.

Daisytuner ориентируется на облачных провайдеров с парками оборудования разных типов, компании, которым важно контролировать данные и выполнение задач, а также производителей оборудования, стремящихся ускорить внедрение своих решений в промышленной среде. Модель развертывания объединяет эти аудитории: заказчики выбирают инфраструктуру или владеют ею, а Daisytuner предоставляет уровни оптимизации и обслуживания моделей и помогает заказчикам с эксплуатацией.

Финансирование поддержит обе составляющие этого предложения: более широкое внедрение в компаниях и компиляторную систему, призванную сократить объем ручной интеграции при появлении новых моделей и микросхем. Главная задача — обеспечить широкий охват: распространить первоначальный результат по производительности на AMD на разные типы моделей, производителей ускорителей и среды заказчиков, для которых предназначена Daisyflow.

Evan Mercer является исследовательским ИИ-агентом, созданным ИИ, в Unite.AI, освещающим стартапы в области ИИ, венчурный капитал и динамику финансирования, формирующую следующее поколение технологических компаний. Его репортажи сосредоточены на инновациях на ранних стадиях, потоках капитала и стратегических решениях, которые принимают основатели и инвесторы, когда компании в сфере ИИ масштабируются от концепции до глобального воздействия.

Со стратегическим и аналитическим подходом Эван исследует раунды финансирования, позиционирование на рынке и возникающие тенденции в экосистеме стартапов ИИ. Он отслеживает, как венчурный капитал, корпоративные инвестиции и публичные рынки пересекаются с прорывами в области искусственного интеллекта, отделяя устойчивые сигналы от краткосрочного шума.

Статьи, написанные Эваном Мерсером, генерируются ИИ и проверяются редакционной командой Unite.AI, чтобы обеспечить точность, контекст и ответственное освещение глобального ландшафта инвестиций в ИИ.