DSec от DeepSeek: инфраструктура для массового обучения ИИ-агентов

Когда ИИ-агент решает задачу, ему может понадобиться не только сгенерировать ответ, но и вызвать функцию, выполнить команду или запустить код. При обучении с подкреплением таких попыток — прогонов — много, и каждому нужен подходящий исполняемый контекст. В опубликованном в сентябре 2026 года отчёте DeepSeek описывает DSec (DeepSeek Elastic Compute) — платформу, которая создаёт и обслуживает эти контексты для обучения и оценки агентов. Её задача — не запускать каждое действие в отдельной полноценной виртуальной машине и не пересылать заново весь образ окружения при каждом изменении. 1

Разным задачам — разные песочницы

Через единый Python SDK DSec предоставляет четыре варианта исполнения: FnCall для лёгких вызовов функций, контейнеры для рабочих окружений, микро-ВМ с границей изоляции виртуальной машины и полноценные ВМ для задач, которым нужна целая виртуальная машина. Платформа распределяет песочницы по узлам и управляет их жизненным циклом, а клиенты обучения и оценки работают с общим интерфейсом. 13

Изоляция здесь нужна не только ради порядка в инфраструктуре. Код и действия агента нельзя заранее считать безопасными: публикации об отчёте упоминают в том числе попытки манипулировать окружением или результатами задачи. При этом разные типы песочниц дают разные свойства изоляции; ни один из них сам по себе не гарантирует защиты от всех нежелательных действий. 1910

Окружение собирается при запуске

Вместо множества готовых образов на все случаи DSec хранит базовый образ, рабочее пространство и набор инструментов как три независимо версионируемых слоя EROFS, доступных только для чтения. При запуске к ним добавляется слой для записи. Поэтому обновление инструментов не требует пересобирать каждую комбинацию базового образа, инструментов и рабочего пространства. 111

Образы размещены в 3FS, распределённой файловой системе DeepSeek. DSec может заранее подготовить метаданные на узле, а содержимое файлов получать по мере чтения. Это позволяет не копировать весь образ перед стартом каждой песочницы и рассчитано на снижение задержек при массовых запусках и нагрузки на локальное хранилище. В отчёте также описаны механизмы управления памятью и планирования CPU для плотного размещения задач. 111

Как читать цифры DeepSeek

По данным компании, один производственный блок DSec включает около 160 CPU-узлов, 30 тыс. ядер и 250 ТБ оперативной памяти; объём хранимых образов измеряется петабайтами. Для этого блока заявлены примерно 3 млн экземпляров песочниц в день, более 380 тыс. одновременно работающих на пике и темп создания свыше 5 тыс. в секунду. Это разные показатели: пиковую скорость нельзя умножать на число секунд в сутках, а цифры одного блока — выдавать за суммарные показатели всех развёртываний DSec. 1312

Несколько публикаций, пересказывающих отчёт, также сообщают об одной производственной задаче обучения, для которой одновременно запросили или запустили 32 тыс. песочниц. Это показатель разовой нагрузки, а не подтверждённый жёсткий лимит на задачу. 811

Что происходит при остановке GPU-обучения

DeepSeek утверждает, что DSec обслуживала песочницы для обучения с подкреплением и оценки её моделей от V3.2 до V4.1. В техническом отчёте о V4.1 компания описывает длительные прогоны агентов, которые выполняются на DSec отдельно от пула GPU для обучения. Если обучающий процесс вытесняют с GPU, такой прогон можно приостановить, сохранить его состояние и позже возобновить — не теряя работу агента вместе с остановленным процессом обучения. 13

Таким образом, DSec решает сразу две связанные задачи: быстро предоставляет агентам подходящие окружения и позволяет управлять длительными прогонами независимо от расписания GPU-обучения. Приведённые масштабы и преимущества — результаты, о которых сообщает DeepSeek, а не гарантия аналогичной производительности в другом развёртывании. 13