Aktualności, narzędzia i prawo AIPolska · codziennie
Biznes

Daisytuner zebrał 6 mln euro i uruchamia silnik Daisyflow

Startup z Darmstadt automatyzuje optymalizację modeli AI pod różne chipy. Rundę seed współprowadzą Elaia i LEA Ventures, a firma wypuściła silnik inferencji Daisyflow.

Dwoje inżynierów w biurze z widokiem na ceglany budynek analizuje wykresy wydajności na laptopie ustawionym przy otwartej szafie serwerowej z kartami GPU
Ilustracja redakcyjna dailyAI

Daisytuner, startup z niemieckiego Darmstadt, pozyskał 6 mln euro w rundzie zalążkowej (seed), czyli około 26,4 mln zł. Firma ogłosiła to 16 listopada 2026 roku razem z premierą Daisyflow, silnika do uruchamiania modeli AI na własnej infrastrukturze klienta. Rundę współprowadzą fundusze Elaia i LEA Ventures, a udział wzięły także Amadeus APEX Technology Fund i Seedcamp. Daisytuner rozwija kompilator, który automatycznie dostosowuje kod modeli do konkretnego chipa, czyli do kart NVIDIA, AMD i nowszych akceleratorów. Wyceny spółki nie ujawniono.

Czym zajmuje się Daisytuner

Daisytuner automatyzuje tzw. performance engineering, czyli ręczne dostrajanie kodu tak, aby model AI w pełni wykorzystywał konkretny procesor graficzny. Dziś tę pracę wykonują głównie duże laboratoria AI i zwykle tylko dla najnowszej generacji kart NVIDIA. Każdy nowy chip albo nowy model wymaga powtórzenia części optymalizacji.

Podstawą produktu jest otwartoźródłowy kompilator docc. Tłumaczy on kod z PyTorch, NumPy oraz C i C++ na reprezentację przepływu danych, a następnie generuje kod natywny dla CUDA (platformy NVIDIA), ROCm (platformy AMD) i nowszych architektur. Agenci AI przez całą dobę testują warianty optymalizacji na prawdziwym sprzęcie. Według firmy kompilator dowodzi poprawności każdej zmiany, zanim ją zastosuje, a sprawdzone wyniki trafiają do bazy danych wydajności i są wykorzystywane przy podobnym kodzie.

Co oferuje silnik Daisyflow

Daisyflow to gotowy stos do inferencji, czyli uruchamiania wytrenowanych modeli w odpowiedzi na zapytania użytkowników. Firma deklaruje obsługę modeli językowych, wizyjnych, mowy i systemów rekomendacji, z grupowaniem zapytań, routingiem i API zgodnym z OpenAI. Całość działa w infrastrukturze klienta, więc dane i koszty zostają pod jego kontrolą.

Platforma Daisytuner jest dostępna w wersji hostowanej oraz jako Daisytuner Enterprise do samodzielnego uruchomienia z umową SLA. Daisyflow dokłada do niej pełny stos inferencji. Firma nie opublikowała cennika.

Kim są założyciele i inwestorzy

Spółkę założyli w 2024 roku Lukas Trümper (prezes) i Adrian Schmitz. Trümper rozwijał kompilatory wspierane przez AI na ETH Zurich, a zespół wywodzi się także z RWTH Aachen, TU Munich, TU Darmstadt i Lawrence Livermore National Laboratory. W 2024 roku Daisytuner i laboratorium SPCL z ETH Zurich otrzymały nagrodę HiPEAC za transfer technologii z nauki do przemysłu.

Nowe pieniądze mają trafić na rozwój sprzedaży Daisyflow w firmach, rozbudowę zespołu i obsługę kolejnych architektur chipów. Trümper mówi, że firma pracuje z producentami chipów, europejskimi dostawcami chmury i przedsiębiorstwami.

Ograniczenia i niewiadome

Wynik 18 proc. przewagi nad vLLM pochodzi z komunikatu spółki i dotyczy jednego modelu na jednej rodzinie kart. Firma nie podała konfiguracji testu, rozmiaru modelu ani obciążenia, dlatego nie da się go porównać z innymi pomiarami. Nie znamy też nazw klientów, przychodów ani cen usług.

Rynek narzędzi, które mają uniezależnić AI od oprogramowania NVIDIA, jest zatłoczony. Działają na nim sami producenci chipów, projekty open source i startupy z dużo większym finansowaniem. Runda 6 mln euro to w tej skali mała kwota, więc o pozycji firmy zdecydują wdrożenia u klientów, a nie sama technologia.

Co to oznacza dla firm w Polsce

Daisyflow odpowiada na potrzebę coraz częstszą także w Polsce, czyli uruchamianie otwartych modeli na własnych serwerach, bez wysyłania danych do zewnętrznej chmury. Dotyczy to firm i instytucji, które testują modele open weight, w tym polskiego Bielika. Narzędzie pozwalające używać tańszych lub łatwiej dostępnych kart AMD i nowych akceleratorów może obniżyć koszt takiego wdrożenia.

W naszej ocenie przed decyzją zakupową warto poprosić dostawcę o test na własnym modelu i własnym sprzęcie. Deklarowane przyspieszenia w optymalizacji inferencji mocno zależą od konkretnego obciążenia, a wynik z jednego benchmarku nie przenosi się automatycznie na inne zastosowania.

Źródła i data sprawdzenia

  1. Daisyflow: every model, at top speed, on any chipDaisytuner, publikacja: 2026-11-16, sprawdzono: 2026-11-16
  2. Germany's Daisytuner raises €6 million to make AI models run faster across NVIDIA, AMD and emerging chipsEU-Startups, publikacja: 2026-11-16, sprawdzono: 2026-11-16
  3. Daisytuner - About us (założyciele i zespół)Daisytuner, publikacja: 2026-11-16, sprawdzono: 2026-11-16
  4. Daisytuner and SPCL win HiPEAC Technology Transfer Award in BarcelonaDaisytuner, publikacja: 2024-12-11, sprawdzono: 2026-11-16
  5. Kurs średni EUR, tabela 221/A/NBP/2026 z 13.11.2026 (4,4070 zł)Narodowy Bank Polski, publikacja: 2026-11-13, sprawdzono: 2026-11-16
Nota redakcyjna

Artykuł ma charakter informacyjny. Przy decyzjach prawnych, finansowych lub organizacyjnych warto zweryfikować wnioski w odniesieniu do konkretnej sytuacji.