Daisytuner 获 600 万欧元融资:AI 降本,为什么不只靠买新 GPU?

商业2026 年 11 月 17 日发布 小智
48 0

同一份模型,换一套运行软件,能不能少花一点钱、快完成一些工作?这个看似工程细节的问题,正在成为 AI 基础设施公司的创业机会。

2026 年 11 月 16 日,德国公司 Daisytuner 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、Seedcamp 参投。公司计划扩大企业客户、团队和编译器技术投入。融资公告

它不制造 GPU,也不以训练一个更大的通用模型为卖点。它盯住的是中间一层:让模型更有效地使用企业已经买下或租用的芯片。

买到算力,不等于用好算力

可以把模型想成一份复杂的生产任务,芯片是机器,运行软件则决定任务怎样被拆分、安排和执行。机器的标称能力很高,不代表每一份任务都能把它用满。

这也是“模型能运行”和“服务值得上线”的区别。企业还要看等待时间、同时处理多少请求、显存占用和长期运维成本。一项优化即使提高了峰值速度,也未必适合低并发的内部知识库;同样,面向大量短请求的配置,也不能直接套给超长文档分析。

例如,一家公司已经有一批 GPU,想把内部问答换成开放权重模型。它面临的选择不只是再买几张卡,也包括调整服务配置、采用更合适的模型,以及优化现有模型的执行方式。Daisytuner 争取的,正是后一类预算。

Daisyflow 要把手工调优变成可复用的软件能力

Daisytuner 由 Lukas Trümper 和 Adrian Schmitz 于 2024 年创立,总部位于德国达姆施塔特。它的路线是用编译器和优化平台自动进行性能工程:将模型框架的代码转成适合目标芯片执行的代码,在实际硬件上测试优化方案,再保存可复用的结果。Seedcamp 介绍

这里的“自我改进”,主要指执行方案的搜索、验证与积累,不能理解成模型自动学会了新的业务知识。

面向企业的产品 Daisyflow,则把这条路线用于客户自身基础设施中的推理服务。投资方公告称,它已经进入生产使用,面向语言、视觉、语音和推荐模型。具体模型、芯片与部署组合是否支持,仍需要逐项确认,不能把“跨芯片”直接理解为任意模型都能一键迁移。

Daisyflow 推理优化流程示意:识别模型与硬件、实机测试验证、复用已验证方案。
Daisyflow 推理优化流程示意:识别模型与硬件、实机测试验证、复用已验证方案。

它和 PyTorch 编译、vLLM 有什么区别?

这几个名字处理的是相邻问题,但不能简单列成一张总分排行榜。

路线 主要作用 企业评估重点
PyTorch torch.compile 在 PyTorch 工作流中编译并优化模型执行 编译开销、图中断、实际工作负载是否受益
vLLM 提供模型推理与服务能力,包括在线服务、缓存和多种部署方式 模型和硬件支持、并发与延迟、接口及运维适配
Daisytuner / Daisyflow 把自动性能调优和企业推理部署结合起来 目标模型与芯片组合、可复现收益、部署成本及供应商支持

Daisyflow 官网把 vLLM 列为可使用的开源推理运行时之一。也就是说,前者可以在后者之上加入编译优化和部署能力,并非两套技术必然互斥。Daisyflow 技术架构

PyTorch 官方教程强调,编译并非没有成本;vLLM 也提供独立的部署、性能评测和服务文档。对已有系统而言,先明确瓶颈在哪,再选工具,比先认定某个产品“全面替代”另一个更可靠。PyTorch 教程 · vLLM 文档

“快 18%”应该怎样读?

融资公告给出的初期结果是:在 AMD Instinct GPU 上运行 Qwen 2.5 时,Daisyflow 相比 vLLM 最多快 18%。这是公司披露、投资方转述的特定比较,不是本站实测,更不是所有模型和芯片的普遍收益。 公开说明未披露确切的 GPU 型号、服务负载或速度统计口径,不能据此判断是吞吐量提高还是延迟下降。

如果要把这个数字用于采购或迁移判断,至少需要补齐四组条件:

  • 同一个模型版本、精度和量化设置,不能拿不同配置直接比。
  • 同样的输入、输出长度和并发水平,不能只看峰值吞吐。
  • 同时看首字延迟、长尾等待时间与结果质量,避免单项提速掩盖其他退步。
  • 把软件费用、测试、部署和维护一起计入成本,不能把速度提升直接当成同比例省钱。

这些条件比一个漂亮的百分比更有决策价值。对任务量较小的团队,迁移成本可能比节约的算力更大;对长期高负载的服务,细小但稳定的效率改进才可能不断累积成收益。

这笔融资值得关注的,不只是金额

我们的判断是,Daisytuner 代表了一条值得观察的 AI 商业路线:不争夺最大的模型,而是解决模型进入企业环境后,那些重复、昂贵又不容易标准化的工程问题。

它未来要证明的,也不只是某一次测试领先。更关键的是:换模型之后能否继续获得收益,换芯片之后要付出多少适配代价,以及企业是否愿意为减少调优工作持续付费。

AI 降本不是只买更便宜的算力,也不是只选更小的模型。把已有硬件与实际业务负载配好,同样可能是一门生意。但这门生意最终要靠客户自己的工作负载证明,而不是靠“任何芯片都能满速”的宣传语。

相关阅读

© 版权声明

Related posts

暂无评论

none
暂无评论...