国产大模型公司 DeepSeek（深度求索）披露最新智能体（Agent）训练基础设施论文。
论文首页截图
近日，DeepSeek 在预印本平台 arXiv 公布论文《DeepSeek 弹性计算（DSec）：面向大规模 Agent 训练的沙盒基础设施》，首次系统披露 DeepSeek 用于大规模 Agent 强化学习（RL）与评测的生产级沙盒基础设施 DSec：随着 AI 从“生成 Token”走向“执行任务”，大模型公司除 GPU、数据之外，开始大规模建设可交互、可验证、可隔离的训练环境。
这篇论文提交日期是 9 月 19 日，作者名单超过 130 人，DeepSeek 创始人梁文锋位列最后一位。
论文详细介绍了 DeepSeek Elastic Compute（DSec）。这是一套为大规模 Agent 训练和评测设计的生产级沙盒平台，可以在集群中统一调度和管理大量沙盒，并根据不同任务快速组合所需的软件、数据和运行环境，同时通过镜像共享、内存回收和 CPU 调度等方式提高资源利用效率。DSec 还与 DeepSeek 强化学习（RL）框架协同设计，将 Agent 有状态的任务执行与可抢占的 GPU 训练解耦。也就是说，即使 GPU 训练任务被暂停或重新调度，Agent 已经执行到一半的任务状态仍然可以保留下来，待 GPU 资源恢复后继续执行。
通俗而言，可以把 DSec 理解为一个专门给 AI 智能体训练用的“超大共享教室调度系统”：它能同时开几十万个隔离的小房间给 AI 跑代码，用乐高积木的方式快速搭环境，用共享书架的方式省存储空间，还能在 GPU 被抢的时候把教室打包封存、等 GPU 回来了再接着用，同时防止 AI 在教室里搞破坏。
据了解，单个生产级 DSec 规模单元约由 160 个节点组成，拥有约 3 万个 CPU 核心和 250TB 内存，生产环境中每天服务约 300 万个沙盒，峰值支持同时运行超 38 万个沙盒，并维持每秒超过 5000 个沙盒的创建速率。论文并未披露具体 DSec 的数量。
论文介绍，传统大模型训练主要围绕数据、GPU 计算和 Token 生成展开，而 Agent（智能体）训练则需要模型持续与真实执行环境交互。
以 Coding Agent（编程智能体）为例，它可能需要读取代码库、修改文件、安装依赖、执行 Shell 命令、运行测试、读取报错，再继续决策。
随着训练规模的不断扩大，单靠人工很难构建大量训练环境。根据论文介绍，DeepSeek 正在建立内部流程，让 Agent 自动构建的环境，并进行检查，再投入 RL 和评测。由此形成“Agent 构建环境--新 Agent 在环境中训练--更强 Agent 继续构建更多环境”的生产闭环。
值得一提的是，论文中还提到如今 Agent 会主动寻找漏洞和“作弊”。在训练中，DeepSeek 发现 Agent 可能没有按照预期方式解决任务，而是寻找意外的信息通道获取答案；另一些行为则会直接破坏运行环境。随着 Agent 能力增强，“防作弊”和行为约束本身正在成为 Agent 训练基础设施的一部分。大规模 Agent 训练不仅需要隔离恶意或投机行为，还要处理模型普通操作错误可能造成的系统级故障。
在这篇最新技术论文中，DSec 展示了一套面向大规模 Agent 训练的基础设施方案。从沙盒创建、环境复用，到 rollout 调度、状态保存和安全隔离，Agent 训练正在形成一套独立的基础设施需求。随着 Agent 任务持续变长、交互过程不断增加，执行环境的规模也会进一步扩大。如何让数十万个甚至更多沙盒稳定运行，同时控制资源成本和安全风险，将成为 Agent 训练继续扩展需要解决的问题。
