9月19日，DeepSeek提交了一篇31页的系统论文，首次公开了支撑其海量AI智能体训练的底层沙箱平台DSec。论文署名超过130人，创始人梁文锋排在最后一位。
这篇论文讲的是一件事：当你要同时训练几十万个AI智能体时，怎么让它们各自在一个安全、独立的"练习室"里跑起来，还不崩。
这个"练习室"就是沙箱。智能体在训练时需要在里面反复试错、执行任务、接受评测。如果没有一套强大的底层系统撑着，光是创建和销毁这些运行环境，就能把服务器拖垮。
DeepSeek自研的这套平台叫DSec，全称DeepSeek Elastic Compute。论文披露的生产数据显示，一个标准DSec单元由160台CPU节点组成，塞进了3万个CPU核心和约250TB内存。这是什么概念？相当于把一个小型数据中心压缩成一个生产单元，专门给AI智能体当训练场用。
在日常运行中，这个单元每天要服务约300万个沙箱实例，同时支撑超过38万个沙箱一起跑。沙箱创建速率的峰值，每秒超过5000次。
每秒5000次是什么速度？就是你眨一下眼的功夫，5000个全新的训练环境已经建好了。
论文还提到了另一个关键能力：管理PB级别的镜像文件和环境层级资源。镜像可以理解成每个沙箱的"系统模板"，智能体训练需要什么样的环境，就从镜像里快速拉一个出来用。PB级别意味着存储量在千万GB以上，这套系统能把这些模板管得井井有条，需要哪个调哪个。
在实际部署中，DSec的多项核心机制降低了训练环境搭建和镜像分发的资源开销，内存利用效率也大幅提升。简单说就是：花更少的机器，跑更多的训练任务。
DeepSeek这次把内部基础设施的细节公开，在行业内并不常见。大多数公司只会说"我们有大集群"，但不会告诉你集群怎么管的、沙箱怎么调的、每天到底跑了多少实例。这篇论文把这些数字和机制都摆了出来。
背后逻辑也不难理解。智能体是当前大模型竞争最激烈的方向之一，而智能体训练对基础设施的要求远高于传统模型训练。传统训练跑一次就结束，智能体训练要同时管理几十万个环境，每个环境都要隔离、都要安全、都要能快速启停。没有一套过硬的沙箱系统，根本跑不动。
从论文的署名规模也能看出这件事的分量。130多人参与，横跨工程、系统、算法多个方向，梁文锋本人列在末位。这不太像一篇普通的学术论文，更像是DeepSeek对过去一段时间基础设施建设的一次系统性总结。
对整个行业来说，这篇论文释放了一个信号：智能体训练的竞争，正在从模型能力往底层工程能力延伸。谁的沙箱跑得更快、更稳、更省资源，谁就能在下一阶段的智能体竞赛中占住先手。