答案已發布17 個來源
DeepSeek 的 DSec 如何支撐大規模 AI 代理訓練？
DSec 為 AI 代理的強化學習與評估提供沙盒，讓代理能在隔離環境中呼叫工具、執行程式與完成任務。 四種執行後端透過統一介面使用；分層映像檔與按需載入則減少反覆建置、傳送完整環境的負擔。 DeepSeek 公布的單一生產單元數據包括每日約 300 萬個沙盒實例、尖峰逾 38 萬個同時運行；這些數字並非整體部署的總量。
發布者使用 GPT-6 Sol 編輯圖片由 GPT Image 2 生成
研究答案
重點整理
- DSec 為 AI 代理的強化學習與評估提供沙盒，讓代理能在隔離環境中呼叫工具、執行程式與完成任務。
- 四種執行後端透過統一介面使用；分層映像檔與按需載入則減少反覆建置、傳送完整環境的負擔。
- DeepSeek 公布的單一生產單元數據包括每日約 300 萬個沙盒實例、尖峰逾 38 萬個同時運行；這些數字並非整體部署的總量。
AI 提示詞
openai.comCreate a landscape editorial hero image for this Studio Global article: How does DeepSeek Elastic Compute (DSec), described in DeepSeek’s September 2026 arXiv report co-authored by Wenfeng Liang, support large-sc. Article summary: DeepSeek Elastic Compute (DSec) is the sandbox service DeepSeek uses to run agent actions during reinforcement-learning rollouts and evaluation, separately from the GPU training pods. Its purpose is to make large numbers. Topic tags: general, academic, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake num
AI 代理接受訓練時，不只是產生文字：它可能呼叫函式、在工作區執行程式，或操作需要完整作業系統的環境。當大量任務同時進行，難題便是如何快速提供合適的執行環境，並隔離不能預設為安全的程式碼與操作。DeepSeek 在 2026 年 9 月的報告中，將 DeepSeek Elastic Compute（DSec） 描述為支援這類強化學習訓練及評估的沙盒平台。1
同一平台，四種執行環境
DSec 透過統一的 Python SDK 提供 FnCall、容器、微型虛擬機（microVM）及完整虛擬機（VM） 四種後端，並負責跨主機安排沙盒及管理其生命週期。FnCall 適合輕量的函式式執行；容器可提供較通用的工作區；微型虛擬機提供虛擬機的隔離邊界；需要完整虛擬機的任務則可使用 full VM。1
3
這讓短暫的工具呼叫不必一律負擔完整虛擬機的成本，也讓不同需求的訓練與評估任務能使用同一套介面。隔離仍是必要的：相關報導指出，代理可能出現不當行為，甚至試圖操弄執行環境或結果；但任何單一沙盒機制都不應被視為萬無一失的安全保證。1
9
10
環境不用每次從頭打包
DSec 將環境拆成可分別管理版本的基礎映像檔、工作區及工具包，以 EROFS 唯讀層保存，啟動沙盒時再與可寫入的覆蓋層組合。如此一來，若只更新工具包，便不必為基礎映像檔、工作區和工具包的每一種組合重新製作完整映像檔。1
11
映像檔存放在 DeepSeek 的分散式檔案系統 3FS。DSec 可先在本機備妥中繼資料，等沙盒實際讀取檔案時才按需取得資料，而非啟動前就複製整份映像檔。這項設計旨在減輕大量沙盒同時啟動時的資料傳輸與本機儲存壓力；報告亦描述了用於高密度執行的記憶體管理與 CPU 排程機制。1
11
官方公布的規模，該怎麼看？
DeepSeek 描述的單一生產規模單元約有 160 個 CPU 節點、3 萬個核心及 250 TB DRAM，並使用 PB（拍位元組）級的映像檔儲存空間。就這個單元而言，官方公布每日處理約 300 萬個沙盒實例、尖峰時超過 38 萬個沙盒同時運行，沙盒建立速率超過每秒 5,000 個。1
3
12
這三項數據分別衡量每日總量、尖峰並行量與建立速率；不能把每秒逾 5,000 個解讀成全天持續的速度，也不能把單一單元的數字當成所有 DSec 部署的總量。1
3
12 另有引用該論文的報導指出，單一生產訓練任務曾一次要求或啟動 3.2 萬個沙盒。這反映單一任務可能帶來突發需求，但現有報導不足以證明它是每項任務的固定上限。
8
11
從 V3.2 到 V4.1：讓任務不隨 GPU 訓練程序中斷
DeepSeek 表示，從 V3.2 至 V4.1，其強化學習訓練與評估所需的沙盒工作負載均由 DSec 承載。V4.1 技術報告進一步描述：耗時較長的代理執行過程（rollout）可在 DSec 上運行，與可能被搶占、暫停以讓出資源的 GPU 訓練資源池分開。當訓練程序遭搶占，rollout 可以暫停並轉移，保留狀態供之後恢復，而不必隨 GPU 訓練執行單元一同丟失進度。1
3
DSec 的重點因此不只是「開出很多沙盒」，而是讓不同代理任務取得合適的環境，並在大量並行與訓練資源調度之間維持執行進度。上述規模與運作效益屬於 DeepSeek 公布的結果，不能直接視為其他部署也能達到的容量保證。1
3
Studio Global AI
繼續深入研究
這個頁面包含附來源佐證的答案，你可以在 Studio Global 內繼續追問。
大家也會問
「DeepSeek 的 DSec 如何支撐大規模 AI 代理訓練？」的簡短答案是什麼？
DSec 為 AI 代理的強化學習與評估提供沙盒，讓代理能在隔離環境中呼叫工具、執行程式與完成任務。
最值得優先驗證的重點是什麼？
DSec 為 AI 代理的強化學習與評估提供沙盒，讓代理能在隔離環境中呼叫工具、執行程式與完成任務。 四種執行後端透過統一介面使用；分層映像檔與按需載入則減少反覆建置、傳送完整環境的負擔。
接下來在實務上該怎麼做？
DeepSeek 公布的單一生產單元數據包括每日約 300 萬個沙盒實例、尖峰逾 38 萬個同時運行；這些數字並非整體部署的總量。