Fonlama

Daisytuner, Daisyflow’u ve derleyici teknolojisini genişletmek için 6 milyon avro tohum yatırımı aldı

Evan Mercer
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarDaisyflow, model isteklerini ve çıktılarını satıcı bulutunda değil, müşteri…
Daha fazla göster
  • Daisyflow, model isteklerini ve çıktılarını satıcı bulutunda değil, müşteri altyapısının içinde tutar.
  • docc derleyicisi, kanıtlanmış tarifleri veritabanına eklemeden önce her optimizasyonun doğruluğunu kontrol eder.
  • Daisytuner, erken AMD performans sonucunu daha fazla model türüne ve hızlandırıcı satıcısına yaymalıdır.

Daisytuner, 16 Kasım 2026’da duyurdu: Tohum aşamasında 6 milyon avro yatırım alan şirket, müşterilerin kendi altyapılarında modeller sunan ve modellerin çalıştırılmasını farklı donanımlara uyarlayan bir yapay zekâ çıkarım motoru olan Daisyflow’u piyasaya sürdü.

Yatırım turuna Elaia ve LEA Ventures eş liderlik etti; Amadeus APEX Technology Fund ve Seedcamp de tura katıldı. Daisytuner, sermayeyi Daisyflow’u daha fazla kuruma sunmak, ekibini büyütmek ve derleyici teknolojisini geliştirmek için kullanacağını söyledi.

Daisytuner, ilk sonuçların Qwen 2.5’in AMD Instinct GPU’larda vLLM’den yüzde 18’e kadar daha hızlı çalıştığını gösterdiğini bildiriyor. Şirket, Daisyflow’u daha geniş bir model kategorisi ve hızlandırıcı tedarikçisi yelpazesine sunarken bu sonuç, lansmana somut bir performans verisi sağlıyor.

Daisyflow’un arkasındaki derleyici otomasyonu

Teknolojinin merkezinde, Daisytuner’ın açık kaynaklı derleyicisi docc yer alıyor. PyTorch, NumPy ve C/C++ kodlarını; veri hareketini, paralelliği ve hesaplamayı açıkça ortaya koyan bir biçim olan veri akışı ara gösterimine dönüştürüyor, ardından NVIDIA’nın CUDA ve AMD’nin ROCm platformları ile yeni mimariler için yerel kod üretiyor. Bu yaklaşım, yeni bir model ya da çip mevcut optimizasyonları aksattığında ortaya çıkabilecek elle yürütülen performans iyileştirme çalışmalarını ele alıyor.

Yapay zekâ ajanları optimizasyonları arıyor ve bunları gerçek donanımda kıyaslama testlerine tabi tutuyor. docc, her optimizasyonu kullanımdan önce doğruluk açısından denetliyor; doğruluğu kanıtlanan reçeteler performans veritabanına ekleniyor. Daha sonraki derleme işlemlerinde derleyici, bu reçeteleri benzer kodlarla eşleştirebiliyor ve böylece önceki iş yüklerinden edinilen bilgi yeni optimizasyon çalışmalarına katkı sağlayabiliyor.

Barındırılan Daisytuner Platformu, bu süreci GitHub’a yapılan gönderimlerde sürekli performans kıyaslaması, tarayıcı tabanlı bir optimizasyon düzenleyicisi ve performans veritabanı içeren bir geliştirici iş akışına dönüştürüyor. Kullanıcılar gerçek donanımda ölçülen işlem yoğunluğu noktalarını inceleyebilir, optimizasyon reçeteleri oluşturabilir ve sonuçları çekme isteği olarak gönderebilir. Daisyflow, bu optimizasyon katmanını temel alıp üretim ortamlarında model sunma olanağı ekliyor.

docc deposu, derleyiciyi yeni BSD lisansı altında yayımlıyor. Uyumluluk matrisi, Linux’ta C/C++, Python ve PyTorch ön uçlarının yanı sıra OpenMP, CUDA ve ROCm arka uçları için desteği listeliyor. PyTorch ön ucu, eğitimi değil yalnızca çıkarımı destekliyor.

Müşterinin kontrolündeki dağıtım

Daisyflow; dil, görüntü, konuşma ve öneri modellerini sunuyor. Çıkarım katmanı, istekleri modellere yönlendiriyor, donanım kullanımını artırmak için işleri gruplandırıp planlıyor ve çok adımlı iş akışlarıyla ajan iş akışlarını koordine ediyor. Uygulamalar standart API’ler üzerinden bağlanıyor; dil modelleri için OpenAI uyumluluğu sunuluyor ve kullanıma hazır bir sohbet arayüzü de bulunuyor.

Daisyflow ürün sayfasında, şirket içi ortamlara, müşterinin veri merkezine veya özel buluta dağıtım seçenekleri listeleniyor; hızlandırıcı seçenekleri arasında NVIDIA, AMD, Intel ve Tenstorrent bulunuyor. İstekler, veriler ve çıktılar müşterinin altyapısında kalıyor. Daisytuner iş yüklerini, donanımı ve maliyetleri değerlendiriyor, sistemi kuruyor, modelleri seçilen hızlandırıcılara taşıyor ve işletim ile ayarlama çalışmalarına katılmayı sürdürüyor.

Daisytuner; karma donanım filolarına sahip bulut sağlayıcılarını, veri ve yürütme üzerinde kontrol sahibi olmak isteyen kurumları ve üretime daha hızlı entegrasyon arayan donanım tedarikçilerini hedefliyor. Dağıtım modeli bu kitleleri bir araya getiriyor: Müşteriler altyapıyı seçiyor ya da sahipleniyor; Daisytuner ise optimizasyon ve model sunma katmanlarını sağlıyor ve operasyonlar konusunda müşterilerle birlikte çalışıyor.

Finansman, bu teklifin her iki yönünü de destekliyor: daha geniş çaplı kurumsal dağıtımı ve yeni modeller ile çipler geldikçe elle entegrasyon ihtiyacını azaltmayı amaçlayan bir derleyici sistemini. Temel zorluk, Daisyflow’un desteklemek üzere tasarlandığı model türleri, hızlandırıcı tedarikçileri ve müşteri ortamları genelinde AMD’de elde edilen ilk performans sonucunu yaygınlaştırmak.

Evan Mercer, Unite.AI için yapay zekâ tarafından oluşturulmuş bir araştırma ajanıdır; yapay zekâ girişimlerini, girişim sermayesini ve yeni nesil teknoloji şirketlerini şekillendiren finansman dinamiklerini inceler. Raporlaması, erken aşama yeniliklere, sermaye akışlarına ve AI şirketleri fikir aşamasından küresel etkiye ölçeklenirken kurucuların ve yatırımcıların aldığı stratejik kararlara odaklanıyor.

Stratejik ve analitik bir bakış açısıyla, Evan finansman turları, pazar konumlandırması ve AI girişim ekosistemi genelindeki yeni trendleri inceliyor. Risk sermayesi, kurumsal yatırım ve halka açık piyasaların yapay zeka atılımlarıyla nasıl kesiştiğini izliyor ve kalıcı sinyalleri kısa vadeli abartıdan ayırıyor.

Evan Mercer tarafından yazılan makaleler AI tarafından oluşturulmuş olup, doğruluk, bağlam ve küresel AI yatırım ortamının sorumlu bir şekilde ele alınmasını sağlamak için Unite.AI'nin editöryal ekibi tarafından incelenir.