DeepSeek DSec: infrastruktura do treningu agentów AI na dużą skalę

Agent AI podczas treningu nie tylko generuje odpowiedź: może wywołać funkcję, uruchomić kod albo pracować na plikach. Gdy takich prób odbywa się wiele równolegle, każda potrzebuje odpowiedniego środowiska wykonawczego. DeepSeek Elastic Compute (DSec) to platforma, która dostarcza te środowiska do treningu przez uczenie ze wzmocnieniem i do oceny agentów. W raporcie z września 2026 r. DeepSeek opisuje, jak tworzy je na dużą skalę bez uruchamiania pełnej maszyny wirtualnej dla każdego zadania i bez kopiowania całego obrazu środowiska przy każdej zmianie. 1

Jedna platforma, różne zadania i ryzyka

Krótki wywołanie funkcji ma inne wymagania niż praca z kodem w katalogu roboczym czy zadanie potrzebujące całego systemu operacyjnego. DSec udostępnia przez wspólny zestaw narzędzi dla Pythona (SDK) cztery typy piaskownic: FnCall do lekkich wywołań funkcji, kontenery do bardziej ogólnych zadań, microVM zapewniające granicę izolacji maszyny wirtualnej oraz pełne maszyny wirtualne. Platforma zarządza rozmieszczeniem tych środowisk i ich cyklem życia na serwerach. Dzięki temu każde zadanie nie musi korzystać z tego samego, kosztowniejszego rodzaju środowiska. 13

Izolacja jest ważna również dlatego, że działań agenta i uruchamianego przez niego kodu nie można z góry uznać za bezpieczne. Opisy raportu wskazują m.in. na ryzyko manipulowania środowiskiem lub wynikami zadania. Różne typy piaskownic oferują różne właściwości izolacji, ale żadnego z nich nie należy traktować jako samodzielnej gwarancji bezpieczeństwa. 1910

Środowisko składane z części, dane pobierane wtedy, gdy są potrzebne

DSec dzieli środowisko na trzy niezależnie wersjonowane warstwy tylko do odczytu w formacie EROFS: obraz bazowy, przestrzeń roboczą i zestaw narzędzi. Przy uruchomieniu piaskownicy łączy je z warstwą, w której można zapisywać zmiany. Aktualizacja narzędzi nie wymaga więc przygotowania od nowa każdej kombinacji obrazu bazowego, przestrzeni roboczej i narzędzi. 111

Obrazy znajdują się w 3FS, rozproszonym systemie plików DeepSeek. DSec może przygotować metadane lokalnie, a właściwe dane plików pobierać dopiero wtedy, gdy piaskownica je odczytuje. Ma to ograniczać czas i miejsce potrzebne na przenoszenie obrazów, szczególnie gdy wiele środowisk startuje naraz. Raport opisuje także mechanizmy zarządzania pamięcią i przydzielania czasu procesora, które służą gęstemu uruchamianiu piaskownic. 111

Co oznaczają liczby podawane przez DeepSeek

Według firmy jedna jednostka produkcyjna DSec obejmuje około 160 serwerów CPU, 30 tys. rdzeni i 250 TB pamięci DRAM, a także pamięć masową na obrazy liczoną w petabajtach. W typowym dniu obsługuje około 3 mln instancji piaskownic; w szczycie działa ich jednocześnie ponad 380 tys., a tempo tworzenia przekracza 5 tys. na sekundę. To trzy różne miary: tempa osiąganego przy tworzeniu środowisk nie należy odczytywać jako stałej średniej dobowej. Są to też dane dla jednej jednostki, a nie dla całej infrastruktury DSec. 1312

Doniesienia powołujące się na raport opisują pojedyncze zadanie treningowe, które jednorazowo zażądało lub uruchomiło 32 tys. piaskownic. Pokazuje to, jak gwałtownie może rosnąć zapotrzebowanie w ramach jednego zadania, ale dostępne relacje nie potwierdzają, że jest to sztywny limit. 811

Od V3.2 do V4.1: co dzieje się po przerwaniu pracy GPU

DeepSeek podaje, że DSec obsługiwał zadania wymagające piaskownic podczas treningu przez uczenie ze wzmocnieniem i oceny modeli od V3.2 do V4.1. Raport techniczny V4.1 opisuje ponadto długotrwałe przebiegi pracy agentów uruchamiane na DSec poza pulą zasobów GPU, których pracę można przerwać. Gdy proces treningowy traci przydzielone zasoby, taki przebieg można wstrzymać i przenieść, zachowując jego stan do późniejszego wznowienia, zamiast tracić postępy agenta razem z procesem treningowym. 13

DSec jest więc nie tylko sposobem uruchamiania odizolowanego kodu, lecz także zapleczem do dostarczania zróżnicowanych środowisk i utrzymywania pracy agentów niezależnie od harmonogramu treningu na GPU. Podane wielkości i korzyści operacyjne są wynikami raportowanymi przez DeepSeek, a nie gwarancją osiągnięcia takiej samej wydajności w innym wdrożeniu. 13