DeepSeek details DSec sandbox system for agent training, 5000+ sandboxes/sec

Coverage timeline

1. 量子位量子位last month
   DeepSeek新论文公开Agent训练！梁文锋署名

   DeepSeek新论文公开Agent训练！梁文锋署名 克雷西 2026-09-23 15:29:50 来源： 量子位 每秒能产生5000+个沙盒 克雷西 发自 凹非寺 量子位 | 公众号QbitAI 大模型训练拼的是算力，Agent训练拼的是环境。 环境怎么造？梁文锋署名的DeepSeek最新论文，把技术细节公开了。 DeepSeek做的这个系统叫DSec（DeepSeek Elastic Compute），干的事情就是给Agent训练批量制造沙盒。 它每秒能产生5000+个沙盒，一天能达到300万个，峰值同时运行38万个。 支撑这个规模的单集群也非常庞大，大约有160个节点、3万核CPU和250TB内存。 为啥训个Agent会这么费劲？ 因为大模型训练的环境就是GPU集群，喂数据算梯度，但Agent完全不同。 它得在沙盒里写代码、跑编译、开浏览器，甚至装操作系统……每执行一步都改变环境状态，随时可能把环境搞崩。 所以每轮训练都得给它一个全新的、干净的沙盒，而且随用随抛、训完就扔。 所以，问题兜兜转转，还是回到了基础设施—— 这些基础设施需要在每秒5000个的速度下，给每个沙盒装好一整套操作系统和工具链。 同时，还不能让几十万个并发沙盒把集群的内存和CPU挤爆。 具体怎么办，论文把这整套工程的全貌摊开了。 Agent训练需要「一个世界」 DSec要解决的第一个核心问题是，不同类型的Agent任务对沙盒环境的要求差异极大，而且这些环境必须在同一个平台上统一调度。 一个刷OJ题的Agent，只需要一个无状态的函数调用环境，跑完拿到输出就行，连文件系统都不需要持久化。 但一个做SWE-bench的Agent，就需要完整的Linux用户态，得在里面装依赖、改代码、跑pytest，任务做到一半还可能要往环境里加新包。 到了安全攻防和computer-use场景，容器级别的隔离就不够了，Agent要操作浏览器甚至桌面，一个有漏洞的Agent可能顺手把宿主机搞挂，必须上虚拟机。 最极端的情况是训练操作商业软件的Agent，它需要一个完整的Windows或macOS，带图形界面、带驱动，跟真实电脑几乎没区别。 DSec为这四类场景分别准备了四种后端，FnCall处理无状态函数调用，Container跑Docker容器，MicroVM用Firecracker做轻量级虚拟机，Full

   
2. 机器之心机器之心last month
   梁文锋署名，DeepSeek又发新论文了！

   DeepSeek 又发论文了。 这一次，他们把重点聚焦到了一个很少被外界看到、却越来越影响 Agent 训练规模的地方： 沙箱基础设施 。 论文标题：DeepSeek Elastic Compute (DSec): A Sandbox Infrastructure for Effective Agentic Training at Scale 论文链接：https://arxiv.org/pdf/2609.22978v1 这是一篇长达 31 页的系统论文。作者阵容超过百人，包括梁文锋在内。论文介绍了 DeepSeek 内部用于大规模 Agent 训练和评测的生产级沙箱平台 DSec（DeepSeek Elastic Compute） 。 先说一下规模。一个 DSec 生产单元大约由 160 台 CPU 节点、3 万个 CPU Core 和约 250 TB DRAM 组成，管理着 PB 级的镜像和环境层。典型的一天里，它要服务大约 300 万个 sandbox 实例 ；高峰时 同时在线的 sandbox 超过 38 万个，创建速度超过 5000 个 / 秒 。 更值得注意的是，论文明确提到： 从 DeepSeek V3.2 到 V4.1，DeepSeek 用于 RL 训练和评测的 sandbox workload 都运行在 DSec 上。 也就是说，这篇论文展示的，其实是 DeepSeek 在 Agentic RL 时代给模型搭出的那座「训练场」。 而当训练规模来到几十万个并发 Agent 时，一个看似简单的问题迅速变得棘手： 这么多 Agent，到底在哪儿跑？ Agent 越来越会干活，训练系统先扛不住了 传统大模型做一次推理，核心工作是生成 Token。到了 Agent 这里，模型开始真正「动手」：打开代码仓库、搜索文件、调用工具、运行命令、修改代码、执行测试，一轮任务可能持续几十分钟甚至数小时。 到了强化学习训练阶段，这些操作还得在真实环境里执行。每个 Agent 都需要一个独立的 sandbox，里面装着代码、依赖、测试工具和运行服务；Agent 改过的文件、启动的进程，也要随着多轮交互持续保留下来。 规模一上来，压力很快就从模型侧传到了基础设施。 DeepSeek 观察到，一次训练任务可能瞬间申请 3.2 万个 sandbox 。这些环境还呈现出一种很特别的