DeepSeek DSec – DeepSeek公开的大规模智能体训练沙箱平台

DeepSeek DSec是DeepSeek于2026年9月公开的面向大规模智能体训练的弹性计算沙箱平台，主要用于为智能体强化学习与评测提供隔离、可保留状态的执行环境，支持函数调用、容器、微型虚拟机与完整虚拟机四类隔离后端，适用于智能体训练、代码执行验证与软件工程任务评测场景。

DeepSeek DSec 的核心能力

DeepSeek DSec 解决的问题出在智能体训练的供给端：模型要在隔离环境里检查代码仓库、调用工具、执行命令并与任务服务交互，这些环境既要在短时间内批量创建，又要跨长交互保留状态。对以 AI 智能体 训练为主线的团队而言，环境供给速度与单位成本直接决定强化学习迭代的轮次。

统一 SDK 与四类隔离后端

研究者通过统一 SDK 按任务选择隔离等级：短时函数调用、容器、基于 Firecracker 的微型虚拟机，以及完整虚拟机，覆盖判题、软件工程、安全渗透与图形桌面等不同负载。把四类后端收敛到同一接口，使同一套训练流程可以在不同隔离强度之间切换，而不必为每种负载单独搭建运行环境。

可组合环境层与按需镜像加载

不同任务所需的代码、依赖与工具链各不相同，逐个重建完整镜像会把集群的 IO 打满。DSec 把基础系统、任务工作区与工具包拆成可独立更新的层，创建沙箱时按需组合，镜像数据经集群级分布式文件系统 3FS 按需读取，只加载运行中实际读取的部分，环境就绪时间因此显著缩短。

高密度资源管理

论文统计显示，约九成容器与微型虚拟机沙箱的平均 CPU 使用量不超过申请容量的 5%，但它们改动过的文件与安装的软件仍需保留。DSec 把内存共享、回收与 CPU 调度结合，在单节点承载远超物理核数的沙箱；一个生产单元约 160 个节点、3 万个 CPU 核心与 250TB 内存，每天服务约 300 万个沙箱实例。

与强化学习框架的协同设计

DSec 把有状态的 rollout 执行与可被抢占的 GPU 训练解耦：GPU 训练被抢占时，rollout 状态可独立保留，待资源恢复后继续执行，既避免长任务因抢占重跑，也让闲置资源被及时回收。

智能体异常行为的观测与防护

论文用专门一节记录智能体的异常行为：通过非预期渠道获取答案、伪造请求，以及绕过访问控制交换文件映射以读取受保护内容。DSec 以域级网络白名单与内核层策略限制操作范围。

DeepSeek DSec 与同类智能体沙箱平台的对比

上表中 DSec 一列取自其技术论文，阿里云一列取自阿里云官方产品页与产品动态，E2B 与 Daytona 两列取自各自官方定价页与官方文档。隔离方式上，DSec 与阿里云都落在微型虚拟机一级，E2B 以 Firecracker 为运行时，Daytona 以独立内核实现完整隔离。规模化能力差异最直接：阿里云公开的百万级并发对应 DSec 论文给出的 38 万个峰值并发；E2B 的并发上限按套餐给出，Daytona 未公开该项。

如需了解 DeepSeek 在模型一侧的对应进展，可参考 DeepSeek V4.1 Flash（DeepSeek 推出的原生多模态低成本主力模型，也是其智能体能力的对外载体，其 Agentic RL 训练与评测即运行在 DSec 之上）。

DeepSeek DSec 的应用场景与适用人群

该平台面向需要批量隔离环境的训练与评测任务，常见场景包括：

• 智能体强化学习训练：为轨迹采样与多路径探索批量创建隔离环境，单任务最多可申请 3.2 万个沙箱。
• 代码执行验证：在容器或微型虚拟机中运行模型生成的代码，按任务风险选择隔离等级。
• 软件工程任务评测：面向仓库级任务提供可保留状态的执行环境，支持长交互不中断。
• 安全渗透类负载：在完整虚拟机后端中运行对内核与网络行为敏感的任务。
• 长会话在线服务：把 rollout 状态与训练资源解耦，为间歇执行的任务保留上下文。

适用人群：自建智能体训练链路的模型团队、需要为代码执行与工具调用提供隔离环境的工程团队，以及关注强化学习环境供给成本的平台方。由于 DSec 目前只以论文形式公开架构、未向外提供接口，需要可直接调用的沙箱服务时，应先评估已商业化的同类平台。

DeepSeek DSec 的使用方法

DSec 尚未对外开放调用，目前的可用路径是研读论文并对照自建方案：

1. 查阅官方论文：在 DSec 官方技术论文 中查看统一 SDK、可组合环境层与高密度资源管理的完整设计。
2. 对照隔离需求：按任务风险判断所需隔离等级，再决定自建环境的实现方式。
3. 评估镜像策略：把基础系统、任务工作区与工具包拆分维护，改为按需加载，以降低批量创建时的存储读取压力。
4. 验证状态保留：在可被抢占的训练环境中复现 rollout 打断与恢复流程，确认任务进度能够续跑而非重跑。
5. 跟踪开放节奏：关注 DeepSeek 后续是否提供对外接口或开源实现。

自建时建议先量化两个指标：单位时间内可创建的沙箱数量，以及长交互任务的状态保留率。

DeepSeek DSec 的价格方案

DeepSeek DSec 作为内部生产基础设施，未公布对外定价与商业化计划，论文公开的是架构设计与生产环境数据，而非可直接采购的服务。需要按量付费的沙箱能力时，可在本站 AI 工具库 中对照已商业化的云上方案：阿里云智能体沙箱以实例为单位按秒计费，E2B 与 Daytona 同样按运行秒计量。

DSec 未对外开放代码，官方也未发布可自托管的实现或权重。外部团队能够获得的是架构思路与生产数据，包括四类隔离后端的组织方式、可组合环境层的拆分方法与 rollout 与 GPU 训练解耦的调度设计，这些设计可直接移植，但需要自行承担集群运维成本。

DeepSeek DSec 的常见问题