Standard Capital’ın Tura Liderlik Etmesiyle Luminal 25 Milyon Dolarlık A Serisi Yatırım Aldı

Luminal, Standard Capital’ın liderlik ettiği 25 milyon dolarlık A Serisi yatırım aldı; yatırımcı bunu 12 Kasım 2026’da duyurdu. Yapay zekâ altyapısı girişimi, müşterilerin hâlihazırda sahip olduğu donanımdan daha fazla verim almayı hedefleyerek derleyici ve barındırılan çıkarım işini Nvidia, AMD ve özel amaçlı çipler genelinde genişletiyor.

Kurucu ortaklar Joe Fioti, Jake Stevens ve Matthew Gunton, bir yapay zekâ modelinin çıktısını üreten hesaplama süreci olan çıkarım etrafında iki iş kolu kurdu. Luminal, modelleri kendi bulutunda barındırıyor ve hâlihazırda donanım işleten müşterilere derleyicisinin lisansını veriyor. Böylece şirket, dağıtım arayan müşterilere yönelik yönetilen bir hizmet ve kendi altyapısını iyileştirmek isteyenlere yönelik ayrı bir ürün sunuyor.

Daha Hızlı Uygulamaları Aramak İçin Geliştirilmiş Bir Derleyici

Derleyici, PyTorch gibi bir çerçevede yazılmış modeli, matematiksel işlemlerini yürüten düşük seviyeli koda dönüştürür. Luminal’ın teknik genel bakışı, modeli bir veri akış grafiğine dönüştüren; donanımı dikkate alan birleştirme, döşeme, bellek planlaması ve zamanlama uygulayan, ardından GPU çekirdek programları veya uygulamaya özel tümleşik devreler için talimatlar üreten bir işlem hattını açıklıyor. Yürütme öncesinde derleme yapmak, bir modelin dinamik olarak yorumlanmasının çalışma zamanı ek yükünü azaltmayı amaçlıyor.

Kurucuların söylediğine göre Luminal, yalnızca elle yazılmış sezgisel yöntemlere dayanmak yerine olası uygulamaları aramak için derleme sırasında önemli miktarda hesaplama gücü kullanıyor. Eşdeğerlik doyurumu, belirli bir çipte trilyonlarca seçenek içerebilen bir arama uzayını kompakt biçimde temsil ederek derleyicinin eniyilenmiş bir sürümü aramasını sağlıyor. Bu yaklaşım, yazılımda daha karmaşık bellek ve zamanlama kararları gerektiren, giderek daha özelleşmiş işlemcileri hedefliyor.

9 Ocak 2026 tarihli teknik bir yazı, otomatik olarak oluşturulan mega çekirdeklerin bu stratejideki yerini açıklıyor. Bir modelin ileri geçişini tek bir çekirdekte, yani GPU programında birleştirmek, tekrarlanan çekirdek başlatma gecikmelerini ortadan kaldırıyor ve sonraki işlemlerin girdi verileri hazır olur olmaz başlamasını sağlıyor. Tasarım ayrıca işlemci çekirdekleri arasındaki iş yükünün dengesiz dağılmasından ve ilk ağırlıkların yüklenmesini beklemekten kaynaklanan boşta kalma sürelerini de hedefliyor; veri bağımlılıklarını korumak için ince taneli eşzamanlama kullanıyor.

Luminal, web sitesindeki karşılaştırmaya göre sekiz Nvidia H100 SXM GPU üzerinde GPT-OSS 120B için saniyede 36.000 token işlediğini; TensorRT-LLM’nin 28.000, vLLM’nin ise 26.000 token işlediğini bildiriyor. Bu sonuçlar, şirketin ticari yaklaşımının merkezindeki verim artışını gösterirken barındırılan hizmet, derleyicinin ötesinde altyapı işleri de sunuyor.

Barındırılan Çıkarım ve Değere Dayalı Lisanslama

Luminal Cloud; yönetilen sunucusuz uç noktalar, otomatik gruplama ve sıfıra ölçeklenme kapasitesi sunuyor; müşteriler kullandıkları kadar ödüyor. Lisanslı dağıtımlar müşterinin bulutunda veya şirket içi ortamında çalışabiliyor. Derleyicinin üzerindeki çıkarım katmanı, CPU’lar, GPU’lar ve ASIC’ler arasındaki işleri zamanlayıp dengeliyor, kullanım değiştikçe görevleri yeniden dağıtıyor ve talebe göre düğümleri başlatıp durduruyor.

Gayrimenkul medyası şirketi AutoHDR ayda yaklaşık 5 milyon görüntü işliyor ve kurucuların söylediğine göre Luminal bu iş yükünün neredeyse tamamını üstlenirken giderek daha büyük bir bölümünü AMD çiplerine taşıyor. Bir başka müşteri olan Freebuff, Luminal’e her hafta trilyonlarca token gönderiyor. Bu iş yükleri, Luminal’e görüntü işleme ve büyük dil modellerini kapsayan üretim trafiği sağlıyor.

Kurucuların aktarımına göre Freebuff’un kodlama istekleri yaklaşık 100.000 girdi tokeni içerebiliyor; bu da önbellek isabet oranlarını ve isteklerin ölçeklendirilmesini önemli maliyet etkenleri hâline getiriyor. Önbelleğe alınmış hesaplamayı yeniden kullanmak, aynı işlemi tekrar yürütme ihtiyacını ortadan kaldırırken ilgili önbellekleri bellek hiyerarşisi içinde taşımak bu tasarrufun korunmasına yardımcı oluyor. Tek başına hızlı bir çekirdek bu maliyetleri karşılamıyor.

Fioti, bazı derleyici lisanslarında fiyatlandırmayı müşterinin mevcut temel performansına kıyasla ölçülen iyileşmenin sabit bir oranı olarak açıkladı. Verdiği örnekte, maliyeti 1,50 dolar olan bir GPU’da verimi iki katına çıkarmak 75 sent tasarruf sağlıyor; Luminal 25 sent alıyor ve müşteriye 50 sent tasarruf bırakıyor. Bu yapı, lisans gelirini yalnızca barındırılan kullanıma değil, sağlanan değere bağlıyor.

Açık Kaynaklı Başlangıç ve Genişleme

Luminal, Fioti’nin iş saatleri dışında bir dizüstü bilgisayarda model çalıştırmak için geliştirdiği yan projeyle başladı. Projeye daha sonra bir Nvidia arka ucu eklendi ve açık kaynaklı bir topluluk geliştirildi. Kurucular, temel derleyiciyi açık tutup barındırma hizmeti için ücret almaya karar verdi; bu modeli Vercel’in Next.js’i bulut hizmetiyle bir araya getirmesine benzettiler. Derleyici lisansı, donanımı hâlihazırda hazır olan kuruluşlara ikinci bir seçenek sunuyor.

A Serisi yatırım, Felicis Ventures’ın liderlik ettiği ve Paul Graham ile Guillermo Rauch’un da aralarında bulunduğu melek yatırımcıların katıldığı 17 Kasım 2025’te duyurulan 5,3 milyon dolarlık tohum yatırımının ardından geldi.

Luminal şu anda derleyici mühendisleri ve mühendislik dışındaki ilk çalışanı olan bir büyüme yöneticisini işe alıyor. Ekip, San Francisco şehir merkezinde yüz yüze çalışıyor ve bugüne kadar yalnızca mühendislerden oluştu. Kurucular, çıkarım iş yüklerinin giderek istem işleme konusunda uzmanlaşmış çiplerle token üretimi konusunda uzmanlaşmış çipler arasında bölüneceğini ve bunun farklı donanım türleri arasındaki koordinasyonu daha büyük bir yazılım sorununa dönüştüreceğini öngörüyor.

Yakın vadeli işe alım planı, derleyici uzmanlığını derinleştirmeye ve ilk ticari rolü oluşturmaya işaret ediyor. Daha kapsamlı sınama ise, çıkarım farklı istek aşamaları için tasarlanmış çiplere yayıldıkça Luminal’ın bildirdiği maliyet avantajlarını koruyup koruyamayacağı. Böyle bir durumda zamanlama ve önbelleğin yeniden kullanımı da ham derleyici performansının yanı sıra tasarruf hesabının bir parçası hâline geliyor.