การระดมทุน
Daisytuner ระดมทุนรอบ Seed ได้ 6 ล้านยูโร เพื่อขยาย Daisyflow และเทคโนโลยีคอมไพเลอร์

ประเด็นสำคัญDaisyflow…
ดูเพิ่มเติม
- Daisyflow เก็บคำขอและผลลัพธ์ของโมเดลไว้ภายในโครงสร้างพื้นฐานของลูกค้าแทนที่จะเป็นคลาวด์ของผู้ให้บริการ
- คอมไพเลอร์ docc ตรวจสอบความถูกต้องของแต่ละการปรับแต่งก่อนที่จะเพิ่มสูตรที่พิสูจน์แล้วลงในฐานข้อมูลของตน
- Daisytuner ต้องขยายผลลัพธ์ด้านประสิทธิภาพเริ่มต้นบน AMD ไปยังประเภทโมเดลและผู้จำหน่ายตัวเร่งความเร็วรายอื่นๆ ให้มากขึ้น
Daisytuner ประกาศเมื่อวันที่ 16 พฤศจิกายน 2026 ว่าระดมทุนรอบ Seed ได้ 6 ล้านยูโร และเปิดตัว Daisyflow ซึ่งเป็นเอนจินประมวลผลอนุมาน AI ที่ให้บริการโมเดลภายในโครงสร้างพื้นฐานของลูกค้าเอง และปรับวิธีทำงานของโมเดลให้เข้ากับฮาร์ดแวร์ที่แตกต่างกัน
Elaia และ LEA Ventures ร่วมเป็นผู้นำการระดมทุนรอบนี้ โดยมี Amadeus APEX Technology Fund และ Seedcamp เข้าร่วมลงทุน Daisytuner ระบุว่าจะนำเงินทุนไปใช้ขยายการให้บริการ Daisyflow แก่องค์กรต่าง ๆ เพิ่มเติม ขยายทีม และพัฒนาเทคโนโลยีคอมไพเลอร์
Daisytuner รายงานว่า ผลการทดสอบเบื้องต้นแสดงให้เห็นว่า Qwen 2.5 ทำงานได้เร็วกว่า vLLM สูงสุด 18% บน GPU AMD Instinct ผลลัพธ์นี้เป็นข้อมูลด้านประสิทธิภาพที่ชัดเจนสำหรับการเปิดตัว ขณะที่บริษัทนำเสนอ Daisyflow ว่ารองรับโมเดลได้หลากหลายประเภทและตัวเลือกผู้ผลิตตัวเร่งประมวลผลได้มากขึ้น
ระบบอัตโนมัติของคอมไพเลอร์เบื้องหลัง Daisyflow
หัวใจสำคัญของเทคโนโลยีนี้คือ docc ซึ่งเป็นคอมไพเลอร์โอเพนซอร์สของ Daisytuner โดยแปลง PyTorch, NumPy และ C/C++ ให้อยู่ในรูปแบบตัวแทนระดับกลางแบบดาต้าโฟลว์ ซึ่งทำให้การเคลื่อนย้ายข้อมูล การประมวลผลแบบขนาน และการคำนวณปรากฏชัดเจน จากนั้นจึงสร้างโค้ดเนทีฟสำหรับแพลตฟอร์ม CUDA ของ NVIDIA และ ROCm ของ AMD รวมถึงสถาปัตยกรรมใหม่ ๆ เทคโนโลยีนี้ช่วยลดภาระการปรับแต่งประสิทธิภาพด้วยตนเอง ซึ่งอาจเกิดขึ้นเมื่อโมเดลหรือชิปรุ่นใหม่ทำให้การปรับแต่งที่มีอยู่ใช้ไม่ได้ผล
เอเจนต์ AI ค้นหาวิธีปรับแต่งประสิทธิภาพและทดสอบด้วยฮาร์ดแวร์จริง ก่อนนำไปใช้ docc จะตรวจสอบความถูกต้องของการปรับแต่งแต่ละรายการ ส่วนสูตรการปรับแต่งที่ผ่านการพิสูจน์แล้วจะถูกจัดเก็บไว้ในฐานข้อมูลประสิทธิภาพ เมื่อคอมไพล์ในภายหลัง คอมไพเลอร์จะจับคู่สูตรเหล่านั้นกับโค้ดที่คล้ายกันได้ ทำให้ความรู้จากเวิร์กโหลดก่อนหน้าช่วยชี้แนวทางการปรับแต่งครั้งใหม่
แพลตฟอร์ม Daisytuner ที่ให้บริการแบบโฮสต์เปลี่ยนกระบวนการนี้ให้เป็นเวิร์กโฟลว์สำหรับนักพัฒนา โดยมีการทดสอบประสิทธิภาพอย่างต่อเนื่องเมื่อมีการส่งการเปลี่ยนแปลงขึ้น GitHub โปรแกรมแก้ไขการปรับแต่งที่ใช้ผ่านเบราว์เซอร์ และฐานข้อมูลประสิทธิภาพ ผู้ใช้ตรวจสอบจุดที่ใช้ทรัพยากรสูงซึ่งวัดจากฮาร์ดแวร์จริง สร้างสูตรการปรับแต่ง และส่งผลลัพธ์เป็นคำขอผสานการเปลี่ยนแปลงได้ Daisyflow ต่อยอดจากชั้นการปรับแต่งดังกล่าวด้วยการเพิ่มความสามารถในการให้บริการโมเดลสำหรับการใช้งานจริง
คลังซอร์สโค้ดของ doccเผยแพร่คอมไพเลอร์ภายใต้ใบอนุญาต BSD ฉบับใหม่ ตารางความเข้ากันได้ระบุว่ารองรับ Linux สำหรับส่วนหน้า C/C++, Python และ PyTorch โดยมี OpenMP, CUDA และ ROCm เป็นแบ็กเอนด์ ส่วนหน้า PyTorch รองรับเฉพาะการอนุมาน ไม่รองรับการฝึกโมเดล
การติดตั้งใช้งานภายใต้การควบคุมของลูกค้า
Daisyflow ให้บริการโมเดลด้านภาษา การมองเห็น เสียงพูด และระบบแนะนำ ชั้นประมวลผลอนุมานจะส่งคำขอไปยังโมเดล จัดกลุ่มและกำหนดตารางงานเพื่อใช้ประโยชน์จากฮาร์ดแวร์ให้เต็มประสิทธิภาพ รวมทั้งประสานเวิร์กโฟลว์แบบหลายขั้นตอนและเวิร์กโฟลว์ของเอเจนต์ แอปพลิเคชันเชื่อมต่อผ่าน API มาตรฐาน โดยรองรับ OpenAI สำหรับโมเดลภาษา และมีอินเทอร์เฟซแชตที่พร้อมใช้งานมาให้ด้วย
หน้าผลิตภัณฑ์ Daisyflowระบุทางเลือกในการติดตั้งใช้งานทั้งภายในสถานที่ ศูนย์ข้อมูลของลูกค้า หรือคลาวด์ส่วนตัว โดยมี NVIDIA, AMD, Intel และ Tenstorrent เป็นตัวเลือกสำหรับตัวเร่งประมวลผล คำขอ ข้อมูล และผลลัพธ์จะอยู่ภายในโครงสร้างพื้นฐานของลูกค้า Daisytuner จะประเมินเวิร์กโหลด ฮาร์ดแวร์ และค่าใช้จ่าย ติดตั้งระบบ ย้ายโมเดลไปยังตัวเร่งประมวลผลที่เลือก และมีส่วนร่วมในการดูแลการทำงานและปรับแต่งระบบอย่างต่อเนื่อง
Daisytuner มุ่งเจาะกลุ่มผู้ให้บริการคลาวด์ที่มีฮาร์ดแวร์หลายประเภทปะปนกัน องค์กรที่ต้องการควบคุมข้อมูลและการทำงานของระบบ ตลอดจนผู้ผลิตฮาร์ดแวร์ที่ต้องการผสานผลิตภัณฑ์เข้าสู่ระบบใช้งานจริงได้รวดเร็วยิ่งขึ้น รูปแบบการติดตั้งใช้งานนี้เชื่อมโยงกลุ่มเป้าหมายเหล่านั้นเข้าด้วยกัน โดยลูกค้าเป็นผู้เลือกหรือเป็นเจ้าของโครงสร้างพื้นฐาน ขณะที่ Daisytuner จัดหาชั้นการปรับแต่งและการให้บริการโมเดล พร้อมร่วมมือกับลูกค้าในด้านการดำเนินงาน
เงินทุนที่ระดมได้จะสนับสนุนข้อเสนอทั้งสองด้าน ได้แก่ การขยายการติดตั้งใช้งานในองค์กร และระบบคอมไพเลอร์ที่ออกแบบมาเพื่อลดการผสานระบบด้วยตนเองเมื่อมีโมเดลและชิปใหม่ ๆ เข้ามา ความท้าทายหลักคือการขยายขอบเขตการรองรับ โดยนำผลด้านประสิทธิภาพเบื้องต้นบน AMD ไปใช้กับโมเดล ตัวเร่งประมวลผล และสภาพแวดล้อมของลูกค้าที่หลากหลาย ซึ่ง Daisyflow ออกแบบมาให้รองรับ












