Intelligenza artificiale
Daisytuner raccoglie 6 milioni per adattare i modelli IA a chip diversi
La startup tedesca userà il round seed per sviluppare il compilatore e portare Daisyflow a più aziende. Un confronto dichiarato su GPU AMD non dimostra vantaggi su tutti i sistemi
La startup tedesca Daisytuner ha raccolto 6 milioni di euro per sviluppare software che adatta l’esecuzione dei modelli di intelligenza artificiale a processori diversi. Il round seed, annunciato il 16 novembre 2026, è guidato da Elaia e LEA Ventures, con la partecipazione di Amadeus APEX Technology Fund e Seedcamp.
Il capitale servirà ad ampliare il team, sviluppare il compilatore e portare la piattaforma Daisyflow a più aziende. L’obiettivo è ridurre il lavoro necessario per ottenere buone prestazioni su chip differenti. Un primo confronto su GPU AMD mostra, secondo l’annuncio, un possibile vantaggio rispetto a vLLM, ma non basta a dimostrarlo per altri modelli e processori.
Perché cambiare chip non basta
Un modello di IA viene eseguito attraverso software che traduce e organizza i calcoli per l’hardware disponibile. Anche se lo stesso modello funziona su due processori, può non sfruttarli altrettanto bene: cambiano, per esempio, il modo in cui il lavoro viene distribuito tra le unità di calcolo e quello in cui si accede alla memoria.
La distinzione tra compatibilità e prestazioni conta per chi valuta infrastrutture diverse. Uno studio sull’ottimizzazione di programmi per GPU AMD e Nvidia ha rilevato che, nei casi esaminati, configurazioni ottimizzate per Nvidia non erano necessariamente ottimali sui dispositivi AMD. La ricerca riguarda quattro programmi di calcolo e quattro GPU: non misura le prestazioni di Daisytuner.
Un migliore adattamento potrebbe rendere più praticabile l’impiego di hardware alternativo o già disponibile. L’effetto concreto dipenderebbe però dal modello, dal carico di lavoro, dal chip e dal costo complessivo dell’infrastruttura: cambiare software non garantisce di per sé risparmi.
Che cosa fanno il compilatore e Daisyflow
Daisytuner, fondata nel 2024 a Darmstadt da Lukas Trümper e Adrian Schmitz, combina due componenti. La prima è DOCC, il compilatore open source: secondo la documentazione del progetto, può ricevere codice anche da PyTorch, uno strumento usato per sviluppare modelli, e generarlo per ambienti come CUDA di Nvidia e ROCm di AMD.
La matrice di DOCC indica il supporto a PyTorch con CUDA e ROCm su Linux; per PyTorch su macOS alcune funzioni risultano ancora in sviluppo. La stessa documentazione indica come in sviluppo anche il transfer tuning per le destinazioni CUDA e ROCm: è il riuso di ottimizzazioni tramite basi di dati delle prestazioni. Queste indicazioni riguardano il compilatore e non equivalgono a una garanzia di compatibilità di ogni modello con Daisyflow.
Secondo la società, agenti di IA provano le ottimizzazioni su hardware reale; il compilatore ne verifica la correttezza e quelle validate vengono conservate per essere riutilizzate su codice simile. L’intento è automatizzare parte della ricerca delle configurazioni più adatte, non dimostrare che ogni combinazione di modello e chip sia già coperta.
La seconda componente è Daisyflow, la piattaforma con cui la startup applica queste tecniche all’inferenza, la fase in cui un modello già addestrato produce una risposta o una previsione. Daisytuner afferma che è operativa, viene installata nell’infrastruttura del cliente e serve modelli di linguaggio, visione, voce e raccomandazione. La presentazione del prodotto descrive anche l’uso di motori open source come vLLM all’interno dello stack: il confronto sulle prestazioni non implica quindi che le due tecnologie siano sempre alternative.
Che cosa dice il risultato del 18%
Nell’annuncio del finanziamento si riferisce un primo confronto in cui Daisyflow avrebbe eseguito il modello Qwen 2.5 fino al 18% più velocemente di vLLM su GPU AMD Instinct. È un risultato dichiarato dalla società: non dimostra che Daisyflow sia sempre più veloce né che il vantaggio valga anche su altri chip o modelli.
L’annuncio non precisa il modello esatto di GPU, la versione di vLLM, la dimensione dei lotti di richieste o la metrica di velocità impiegata. Senza questi elementi è difficile interpretare il confronto e capire quanto sia trasferibile a un’installazione diversa. Nei materiali disponibili non emerge una replica indipendente.
Che cosa conta per un’azienda interessata
La pagina di Daisyflow presenta un servizio installato e gestito insieme al cliente e cita acceleratori Nvidia, AMD, Intel e Tenstorrent. Non pubblica però una matrice completa delle combinazioni di modelli, chip e funzionalità né un prezzo: la copertura effettiva e le condizioni dell’offerta vanno quindi distinte dalla descrizione generale del prodotto.
Per valutare un’installazione servono sia la compatibilità con i modelli e i chip già utilizzati sia misurazioni confrontabili nelle condizioni previste, comprese le richieste simultanee e la metrica scelta. Alle prestazioni occorre affiancare il costo complessivo dell’infrastruttura e del servizio.
Come sarà impiegato il capitale
In un’intervista sul round, il cofondatore Trümper ha indicato che la maggior parte del finanziamento andrà al personale; il resto servirà ad acquistare chip di diversi produttori per test, confronti e addestramento degli agenti che migliorano il compilatore. L’espansione commerciale e il supporto a ulteriori architetture restano obiettivi del piano, non risultati già conseguiti.
Il prossimo passaggio per la startup è portare Daisyflow a più imprese e sviluppare ulteriormente il compilatore. Per i potenziali clienti, la verifica decisiva resta quella sulle proprie configurazioni e sui costi effettivi di impiego.
