DeepSeek 首次公开 DSec 沙盒基础设施，支撑 V4.1 Agent 训练
DeepSeek 在知乎独家发布技术长文，首次系统阐释支撑 DeepSeek-V4 全部训练、评测与数据预处理流程的沙盒基础设施 DSec，相关技术报告已公开至 arXiv，由 DeepSeek 联合清华大学发布。
DeepSeek 首次公开 DSec 沙盒基础设施
DeepSeek 在知乎独家发布技术长文，首次系统阐释了支撑 DeepSeek-V4 全部训练、评测与数据预处理流程的沙盒基础设施——DeepSeek 弹性计算（DeepSeek Elastic Compute，DSec）。据该文说明，相关技术报告《DeepSeek Elastic Compute (DSec): A Sandbox Infrastructure for Effective Agentic Training at Scale》已公开至 arXiv，由 DeepSeek 联合清华大学发布，作者团队超过 130 人，梁文锋也位列其中。
背景与影响
文章指出，训练可靠的 Agent 大模型需要其在真实环境中反复试错，包括阅读代码、修改文件、安装依赖、执行测试与运行服务，沙盒必须在多轮交互中持续保留状态。DSec 支持 FnCall、Container、MicroVM 和 Full VM 四种执行后端，并通过统一的 Python SDK（libdsec）接入；环境被拆分为基础镜像、工作区与工具包三层，以 EROFS 格式存储并按需组合。文中提到，从 DeepSeek-V4.1 开始，Agent 执行逻辑迁移到 DSec 沙盒中，与 GPU 训练任务解耦，训练被抢占后执行状态仍可保留。生产数据方面，文章称单个分片约含 160 台服务器、约 3 万个 CPU 核心和 250 TB 内存，每天服务约 300 万个沙盒，峰值并发超过 38 万个。
限制与来源
上述性能与规模数据均来自 DeepSeek 官方技术文章的自述，尚未见第三方独立验证。文中涉及的镜像按需加载、内存共享与回收、CPU 调度等实验结论，均为其自建环境下的测试结果，实际表现可能因部署条件而异。DSec 的可用范围、接入方式与相关工具支持情况，请以 DeepSeek 官方渠道当前公布的信息为准。本文内容整理自量子位转载的知乎原文，原文链接见来源页面。