Daisytuner 获 600 万欧元种子轮融资,扩展 Daisyflow 与编译器技术
Daisytuner Raises €6M Seed to Expand Daisyflow and Compiler Technology
Daisytuner 于 2026 年 11 月 16 日宣布完成 600 万欧元种子轮融资,由 Elaia 和 LEA Ventures 联合领投,Amadeus APEX Technology Fund 与 Seedcamp 参投,并同步发布 AI 推理引擎 Daisyflow。Daisyflow 部署在客户自有基础设施中,支持语言、视觉、语音和推荐模型,可选 NVIDIA、AMD、Intel 和 Tenstorrent 加速器。早期结果显示,Qwen 2.5 在 AMD Instinct GPU 上运行比 vLLM 快最多 18%。
正文 · AI 翻译
Daisytuner于2026年11月16日宣布,公司已完成600万欧元种子轮融资,并发布了Daisyflow。Daisyflow是一款AI推理引擎,可在客户自有基础设施内提供模型服务,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联合领投,Amadeus APEX Technology Fund与Seedcamp参投。Daisytuner表示,这笔资金将用于把Daisyflow推广至更多企业、壮大团队,并扩展其编译器技术。
Daisytuner报告称,初步结果显示,Qwen 2.5在AMD Instinct GPU上的运行速度比vLLM快最多18%。在公司面向更广泛的模型类别和加速器供应商推介Daisyflow之际,这一结果为此次发布提供了一个具体的性能数据点。
Daisyflow背后的编译器自动化
这项技术的核心是docc,即Daisytuner的开源编译器。它将PyTorch、NumPy和C/C++转换为数据流中间表示,这种格式使数据移动、并行性和计算变得显式,然后为NVIDIA的CUDA和AMD的ROCm平台以及新型架构生成原生代码。这解决了当新模型或芯片打破现有优化时可能出现的手动性能调优工作。
AI代理会搜索优化方案,并在真实硬件上进行基准测试。docc在使用前会验证每项优化的正确性,经过验证的优化方案会进入性能数据库。在后续编译过程中,编译器可以将这些方案与相似代码匹配,从而让先前工作负载的知识为新优化工作提供参考。
托管的 Daisytuner 平台将其转化为开发者工作流,提供在 GitHub 推送时持续进行基准测试、基于浏览器的优化编辑器以及性能数据库。用户可以查看在真实硬件上测得的性能热点,创建优化配方,并将结果作为拉取请求提交。Daisyflow 在此基础上构建,通过增加生产模型服务来扩展该优化层。
docc 仓库以新的 BSD 许可证发布编译器。其兼容性矩阵列出了 Linux 对 C/C++、Python 和 PyTorch 前端的支持,以及 OpenMP、CUDA 和 ROCm 后端。PyTorch 前端仅支持推理,不支持训练。
客户可控部署
Daisyflow 服务于语言、视觉、语音和推荐模型。其推理层将请求路由到模型,对工作进行批处理和调度以提高硬件利用率,并协调多步骤和代理工作流。应用程序通过标准 API 连接,语言模型兼容 OpenAI,并包含一个即用型聊天界面。
Daisyflow 产品页面列出了本地部署、客户数据中心部署或私有云部署选项,加速器可选 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 评估工作负载、硬件和成本,安装系统,将模型移植到所选加速器,并持续参与运营和调优。
Daisytuner 的目标客户包括拥有混合硬件机群的云服务提供商、希望掌控数据与执行的企业,以及寻求更快实现生产集成的硬件厂商。这一部署模式将上述群体连接起来:客户自行选择或拥有基础设施,而 Daisytuner 提供优化与推理服务层,并与客户共同开展运营工作。
这笔融资同时支持该方案的两个方面:更广泛的企业部署,以及一套旨在随着新模型和新芯片的到来而减少手动集成的编译器系统。核心挑战在于广度,即把早期在 AMD 上取得的性能成果扩展到 Daisyflow 旨在支持的各类模型、加速器厂商和客户环境。