Finansiering
Daisytuner tar in 6 miljoner euro i såddfinansiering för att vidareutveckla Daisyflow och kompilatortekniken

Viktiga punkterDaisyflow håller modellförfrågningar och utdata inom kundens infrastruktur i stället…
Visa mer
- Daisyflow håller modellförfrågningar och utdata inom kundens infrastruktur i stället för i ett leverantörsmoln.
- docc-kompilatorn verifierar varje optimering för korrekthet innan bevisade recept läggs till i dess databas.
- Daisytuner måste utvidga sitt tidiga AMD-prestandaresultat till fler modelltyper och acceleratorleverantörer.
Daisytuner meddelade den 16 november 2026 att företaget hade tagit in 6 miljoner euro i såddfinansiering och lanserat Daisyflow, en inferensmotor för AI som kör modeller i kundernas egen infrastruktur och anpassar körningen till olika typer av hårdvara.
Elaia och LEA Ventures ledde finansieringsrundan tillsammans, med deltagande från Amadeus APEX Technology Fund och Seedcamp. Daisytuner uppgav att kapitalet ska användas för att erbjuda Daisyflow till fler företag, utöka teamet och vidareutveckla kompilatortekniken.
Daisytuner uppger att de första resultaten visar att Qwen 2.5 körs upp till 18 % snabbare än vLLM på AMD Instinct-GPU:er. Resultatet ger lanseringen en konkret prestandamätning när företaget presenterar Daisyflow för ett bredare urval av modellkategorier och acceleratorleverantörer.
Kompilatorautomatisering bakom Daisyflow
Kärnan i tekniken är docc, Daisytuners kompilator med öppen källkod. Den översätter PyTorch, NumPy och C/C++ till en mellanrepresentation för dataflöde, ett format som tydliggör dataförflyttning, parallellism och beräkningar, och genererar sedan maskinnära kod för NVIDIAs CUDA- och AMD:s ROCm-plattformar samt för nya arkitekturer. Detta hanterar det manuella prestandaarbete som kan uppstå när en ny modell eller ett nytt chip slår ut befintliga optimeringar.
AI-agenter söker efter optimeringar och testar dem på riktig hårdvara. docc verifierar att varje optimering är korrekt innan den används, och beprövade recept läggs in i en prestandadatabas. Vid senare kompilering kan kompilatorn koppla dessa recept till liknande kod, så att kunskap från tidigare arbetsbelastningar kan användas i nytt optimeringsarbete.
Den driftade Daisytuner Platform omvandlar detta till ett arbetsflöde för utvecklare med kontinuerlig prestandatestning vid pushar till GitHub, en webbläsarbaserad optimeringsredigerare och prestandadatabasen. Användare kan granska prestandaflaskhalsar som uppmätts på riktig hårdvara, skapa optimeringsrecept och skicka in resultaten som pullförfrågningar. Daisyflow bygger vidare på detta optimeringslager genom att lägga till modellservering för produktionsmiljöer.
docc-kodförrådet publicerar kompilatorn under den nya BSD-licensen. Kompatibilitetsmatrisen listar Linux-stöd för C/C++-, Python- och PyTorch-frontendar med OpenMP-, CUDA- och ROCm-backendar. PyTorch-frontendens stöd gäller endast inferens, inte träning.
Driftsättning under kundens kontroll
Daisyflow kör språkmodeller, bildmodeller, talmodeller och rekommendationsmodeller. Inferenslagret dirigerar förfrågningar till modeller, samlar arbete i batcher och schemalägger det för att utnyttja hårdvaran, samt samordnar arbetsflöden med flera steg och agentarbetsflöden. Applikationer ansluter via standard-API:er, med OpenAI-kompatibilitet för språkmodeller, och ett färdigt chattgränssnitt ingår.
På Daisyflows produktsida listas driftsättning lokalt, i kundens datacenter eller i ett privat moln, med NVIDIA, AMD, Intel och Tenstorrent som möjliga acceleratorer. Förfrågningar, data och resultat stannar inom kundens infrastruktur. Daisytuner bedömer arbetsbelastningar, hårdvara och kostnader, installerar systemet, portar modeller till de valda acceleratorerna och fortsätter att medverka i driften och finjusteringen.
Daisytuner riktar sig till molnleverantörer med blandade hårdvarumiljöer, företag som vill ha kontroll över data och körning samt hårdvaruleverantörer som vill kunna integrera sina produkter snabbare i produktionsmiljöer. Driftsättningsmodellen knyter samman dessa målgrupper: kunderna väljer eller äger infrastrukturen, medan Daisytuner tillhandahåller optimerings- och serveringslagren och samarbetar med dem kring driften.
Finansieringen stöder båda delarna av erbjudandet: bredare företagsdriftsättning och ett kompilatorsystem som är tänkt att minska den manuella integrationen när nya modeller och chip lanseras. Den centrala utmaningen är bredden: att utvidga det tidiga prestandaresultatet på AMD till de modelltyper, acceleratorleverantörer och kundmiljöer som Daisyflow är utformat för att stödja.












