# DeepSeek 开源 DSec：一个能弹性扩缩、让模型在隔离环境里练工具调用的沙箱系统

> 原标题：DeepSeek Elastic Compute (DSec)

- 来源：Hacker News 首页
- 发布时间：2026-09-26T18:22:41.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/59137
- 原文：https://arxiv.org/abs/2609.22978

## 摘要

DeepSeek 发了一篇论文，把他们内部用来大规模训练 agent 的沙箱系统 DSec 公开了。核心思路是让模型在隔离的沙箱里反复练习使用真实工具，而不是靠模拟数据。系统能同时跑 10 万个沙箱，启动一个沙箱只要 11 秒，单个成本大概 3 美元。论文里讲了怎么用快照、缓存和按需分配把延迟和开销压下来，也给了训练 agent 时的效果数据。目前只放...

## 推荐理由

DeepSeek 开源了内部训 agent 用的沙箱系统，不是模型发布所以重要性没给到 85 以上，但作为一份带硬工程数据的 agent 训练基础设施参考，对从业者来说很实用。

## 锐评

这篇论文讲的是 DeepSeek 内部怎么给 agent 搭训练场。核心思路不是用模拟数据，而是让模型在隔离的沙箱里反复操作真实工具，比如命令行、浏览器、文件系统，通过实际反馈来学。系统叫 DSec，能同时撑 10 万个沙箱，启动一个只要 11 秒，单个成本大概 3 美元。这个成本如果属实，对大规模训练 agent 来说挺省钱，相当于花一杯咖啡钱就能让模型练一轮工具使用。

技术上看，他们用快照、缓存和按需分配把延迟和开销压下来，不是简单堆机器。但论文目前只给了系统设计，没开源代码，也没放完整的训练前后对比数据。摘要里提了一句“效果数据”，正文里具体怎么测的、提升多少，摘要没展开。这点先别太激动，得等看完完整论文才知道是实打实的提升，还是特定任务上的优化。

还缺一个关键信息：这套沙箱对安全隔离做到什么程度。agent 用真实工具就有真实风险，论文标签里带了安全对齐，但摘要没细说怎么防模型在沙箱里搞破坏或者泄露信息。