Gọi vốn
Daisytuner huy động 6 triệu euro ở vòng hạt giống để mở rộng Daisyflow và công nghệ trình biên dịch

Điểm chínhDaisyflow giữ các yêu cầu và đầu ra của mô hình bên trong cơ sở hạ tầng của khách hàng…
Xem thêm
- Daisyflow giữ các yêu cầu và đầu ra của mô hình bên trong cơ sở hạ tầng của khách hàng thay vì đám mây của nhà cung cấp.
- Trình biên dịch docc xác minh tính đúng đắn của từng tối ưu hóa trước khi thêm các công thức đã được chứng minh vào cơ sở dữ liệu của nó.
- Daisytuner phải mở rộng kết quả hiệu suất AMD ban đầu của mình sang nhiều loại mô hình và nhà cung cấp tăng tốc hơn.
Daisytuner thông báo vào ngày 16 tháng 11 năm 2026 rằng công ty đã huy động được 6 triệu euro vốn hạt giống và ra mắt Daisyflow, một công cụ suy luận AI vận hành mô hình ngay trong hạ tầng của khách hàng và điều chỉnh cách thực thi mô hình cho phù hợp với các phần cứng khác nhau.
Elaia và LEA Ventures đồng dẫn dắt vòng gọi vốn, với sự tham gia của Amadeus APEX Technology Fund và Seedcamp. Daisytuner cho biết số vốn này sẽ được dùng để đưa Daisyflow đến với nhiều doanh nghiệp hơn, phát triển đội ngũ và mở rộng công nghệ trình biên dịch.
Daisytuner cho biết các kết quả ban đầu cho thấy Qwen 2.5 chạy nhanh hơn tới 18% so với vLLM trên GPU AMD Instinct. Kết quả này cung cấp một số liệu hiệu năng cụ thể cho đợt ra mắt, khi công ty giới thiệu Daisyflow như một giải pháp dành cho nhiều loại mô hình và nhà cung cấp bộ tăng tốc hơn.
Tự động hóa trình biên dịch làm nền tảng cho Daisyflow
Trọng tâm của công nghệ này là docc, trình biên dịch mã nguồn mở của Daisytuner. Công cụ này chuyển PyTorch, NumPy và C/C++ thành một biểu diễn trung gian dạng luồng dữ liệu—một định dạng thể hiện rõ việc di chuyển dữ liệu, xử lý song song và tính toán—sau đó tạo mã máy cho các nền tảng CUDA của NVIDIA, ROCm của AMD và các kiến trúc mới. Cách tiếp cận này giải quyết khối lượng công việc tối ưu hóa hiệu năng thủ công có thể phát sinh khi mô hình hoặc chip mới làm gián đoạn các phương thức tối ưu hóa hiện có.
Các tác tử AI tìm kiếm phương án tối ưu hóa và kiểm thử hiệu năng của chúng trên phần cứng thực. docc xác minh tính chính xác của từng phương án trước khi đưa vào sử dụng, còn những công thức đã được kiểm chứng sẽ được lưu vào cơ sở dữ liệu hiệu năng. Trong các lần biên dịch sau, trình biên dịch có thể đối chiếu mã tương tự với những công thức này, nhờ đó kiến thức thu được từ các khối lượng công việc trước hỗ trợ quá trình tối ưu hóa mới.
Nền tảng Daisytuner được lưu trữ trên máy chủ biến quy trình này thành luồng công việc dành cho nhà phát triển, với hoạt động kiểm thử hiệu năng liên tục mỗi khi có thay đổi được đẩy lên GitHub, trình chỉnh sửa tối ưu hóa trên trình duyệt và cơ sở dữ liệu hiệu năng. Người dùng có thể xem các điểm nghẽn được đo trên phần cứng thực, tạo công thức tối ưu hóa và gửi kết quả dưới dạng yêu cầu hợp nhất. Daisyflow phát triển dựa trên lớp tối ưu hóa này bằng cách bổ sung khả năng phục vụ mô hình trong môi trường sản xuất.
Kho mã nguồn docc công bố trình biên dịch theo giấy phép BSD mới. Ma trận tương thích liệt kê khả năng hỗ trợ Linux cho các giao diện đầu vào C/C++, Python và PyTorch, cùng các giao diện đầu ra OpenMP, CUDA và ROCm. Giao diện đầu vào PyTorch chỉ hỗ trợ suy luận, không hỗ trợ huấn luyện.
Triển khai dưới quyền kiểm soát của khách hàng
Daisyflow phục vụ các mô hình ngôn ngữ, thị giác máy tính, giọng nói và hệ thống gợi ý. Lớp suy luận định tuyến yêu cầu đến các mô hình, gom nhóm và lên lịch tác vụ để tận dụng phần cứng, đồng thời điều phối các quy trình nhiều bước và quy trình tác tử. Các ứng dụng kết nối thông qua API tiêu chuẩn; nền tảng tương thích với OpenAI dành cho mô hình ngôn ngữ và có sẵn giao diện trò chuyện có thể sử dụng ngay.
Trang sản phẩm Daisyflow liệt kê các tùy chọn triển khai tại chỗ, trong trung tâm dữ liệu của khách hàng hoặc trên đám mây riêng, với NVIDIA, AMD, Intel và Tenstorrent là các lựa chọn bộ tăng tốc. Yêu cầu, dữ liệu và đầu ra đều nằm trong hạ tầng của khách hàng. Daisytuner đánh giá khối lượng công việc, phần cứng và chi phí, cài đặt hệ thống, chuyển các mô hình sang những bộ tăng tốc đã chọn, đồng thời tiếp tục tham gia vận hành và tinh chỉnh.
Daisytuner hướng đến các nhà cung cấp dịch vụ đám mây sử dụng nhiều loại phần cứng, các doanh nghiệp muốn kiểm soát dữ liệu và quá trình thực thi, cũng như các nhà cung cấp phần cứng muốn tích hợp sản phẩm vào môi trường sản xuất nhanh hơn. Mô hình triển khai này kết nối các nhóm khách hàng đó: khách hàng lựa chọn hoặc sở hữu hạ tầng, còn Daisytuner cung cấp các lớp tối ưu hóa và phục vụ mô hình, đồng thời phối hợp với họ trong hoạt động vận hành.
Khoản đầu tư hỗ trợ cả hai phương diện của giải pháp: triển khai rộng rãi hơn trong doanh nghiệp và phát triển một hệ thống trình biên dịch nhằm giảm khối lượng tích hợp thủ công khi có mô hình và chip mới. Thách thức cốt lõi là mở rộng phạm vi áp dụng, đưa kết quả hiệu năng ban đầu trên AMD sang nhiều loại mô hình, nhà cung cấp bộ tăng tốc và môi trường khách hàng mà Daisyflow được thiết kế để hỗ trợ.












