融资
Daisytuner 获 600 万欧元种子轮融资,将拓展 Daisyflow 和编译器技术

要点Daisyflow将模型请求和输出保留在客户基础设施内,而不是供应商云中。
查看更多
- Daisyflow将模型请求和输出保留在客户基础设施内,而不是供应商云中。
- docc编译器在将经过验证的配方添加到其数据库之前,会验证每项优化的正确性。
- Daisytuner必须将其早期的AMD性能结果扩展到更多模型类型和加速器供应商。
Daisytuner 于2026年11月16日宣布,公司已获得600万欧元种子轮融资,并发布了 Daisyflow。这是一款 AI 推理引擎,可在客户自己的基础设施中运行模型,并根据不同硬件调整模型的执行方式。
本轮融资由 Elaia 和 LEA Ventures 共同领投,Amadeus APEX Technology Fund 和 Seedcamp 参与投资。Daisytuner 表示,这笔资金将用于让更多企业采用 Daisyflow、扩大团队规模,并拓展其编译器技术。
Daisytuner 称,初步测试结果显示,Qwen 2.5 在 AMD Instinct GPU 上的运行速度比 vLLM 快至多18%。这项结果为此次发布提供了具体的性能数据,同时也体现出,公司正将 Daisyflow 推向更广泛的模型类别和加速器供应商。
支撑 Daisyflow 的编译器自动化技术
这项技术的核心是 docc,这是 Daisytuner 的开源编译器。它能将 PyTorch、NumPy 和 C/C++ 转换为数据流中间表示。这种格式会明确呈现数据移动、并行性和计算过程,随后再为 NVIDIA 的 CUDA、AMD 的 ROCm 平台以及新型架构生成原生代码。这有助于解决新模型或芯片打破现有优化方案时可能出现的手动性能调优工作。
AI 智能体会搜索优化方案,并在真实硬件上对其进行基准测试。docc 会在使用每项优化前验证其正确性,通过验证的方案则会存入性能数据库。在之后的编译过程中,编译器可以将这些方案与相似代码匹配,从而利用以往工作负载中积累的经验来指导新的优化工作。
托管版 Daisytuner Platform将这一流程转化为开发者工作流:每次向 GitHub 推送代码时都会持续进行基准测试,并提供基于浏览器的优化编辑器和性能数据库。用户可以查看在真实硬件上测得的性能热点、创建优化方案,并将结果作为拉取请求提交。Daisyflow 在这一优化层之上进一步增加了面向生产环境的模型服务功能。
docc 代码仓库以新版 BSD 许可证发布了这款编译器。其兼容性矩阵列出了对 Linux 的支持,以及适用于 C/C++、Python 和 PyTorch 前端的支持,并提供 OpenMP、CUDA 和 ROCm 后端。PyTorch 前端仅支持推理,不支持训练。
由客户掌控的部署方式
Daisyflow 可运行语言、视觉、语音和推荐模型。其推理层会将请求路由至相应模型,对任务进行批处理和调度以提高硬件利用率,并协调多步骤工作流和智能体工作流。应用程序通过标准 API 接入;语言模型兼容 OpenAI,并附带开箱即用的聊天界面。
Daisyflow 产品页面列出的部署选项包括本地部署、部署在客户的数据中心或私有云中;可选加速器包括 NVIDIA、AMD、Intel 和 Tenstorrent。请求、数据和输出均保留在客户的基础设施内。Daisytuner 会评估工作负载、硬件和成本,安装系统,将模型移植到选定的加速器,并持续参与系统的运行和调优。
Daisytuner 的目标客户包括拥有混合硬件集群的云服务提供商、希望掌控数据和执行过程的企业,以及寻求加快生产环境集成的硬件厂商。这种部署模式将这些客户群体联系起来:客户选择或拥有基础设施,Daisytuner 则提供优化层和服务层,并与客户协作处理运维工作。
这笔融资将支持其产品方案的两大方向:扩大企业部署规模,以及开发一套编译器系统,以减少新模型和芯片推出时所需的手动集成工作。核心挑战在于覆盖范围:如何将早期在 AMD 硬件上取得的性能成果推广至 Daisyflow 旨在支持的各类模型、加速器供应商和客户环境。












