DeepSeek联合清华首发DSec，支撑V4训练的沙盒基础设施
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载四种执行后端的分工
DSec把执行环境按任务特征拆成四种后端：FnCall、Container、MicroVM和Full VM。FnCall走的是复用预创建容器的路子，面向在线评测这类耗时很短的任务，省去每次从零拉起环境的开销。Container的启动速度较快，部署密度也更高，主要承接软件工程和工具调用一类的负载。MicroVM在隔离边界上更强，适合安全任务等对隔离要求更高的场景。Full VM则给出完整的操作系统环境，图形界面、渲染以及Android都能在其上运行。这四种后端并非各自独立的入口，而是统一通过一个名为libdsec的Python SDK接入，使用者按任务类型挑选合适的后端，不必为每种环境单独适配一套调用方式。
环境被切成三块管理
DSec没有把运行环境当成一个整体来维护，而是拆成基础镜像、工作区和工具包三个部分。这三块的更新节奏并不一致，因此版本管理各自独立进行，只在运行时才组合到一起。这样做的直接好处是，某一层的变动不会牵动另外两层，镜像的迭代、工作区的调整和工具包的增补可以分开推进。在2026年某一周的生产数据里，容器后端用到了11,266个基础镜像，同期还使用了102,171个工作区以及数百个工具包。这些数量反映出拆分之后每一层的规模都相当可观，也说明运行时组合的方式需要处理大量不同版本的搭配。
EROFS承担存储与去重
在存储层面，DSec选用EROFS格式来存放镜像、工作区和工具包。EROFS的一个特点是元数据与数据分离，这一结构让跨镜像去重成为可能。对于同时存在上万个基础镜像、十万级工作区和数百个工具包的场景来说，去重意味着相同的底层数据不必在每一份镜像里重复保留，存储占用和分发成本都能随之下降。元数据与数据分开存放，也让读取时可以先取元数据再按需访问数据部分。DSec是支撑DeepSeek-V4训练的沙盒基础设施，这套存储设计正是为承载前述规模的环境组合而准备的。
技术长文与报告公开
关于DSec的系统性说明，DeepSeek在知乎发布了一篇技术长文，这是首次对DSec做系统阐释。与之配套的技术报告已经公开到arXiv，由DeepSeek联合清华大学发布。报告的署名作者团队超过130人，梁文锋也在其中。对于关注这套沙盒基础设施如何支撑DeepSeek-V4训练的读者来说，长文与报告提供了从执行后端到存储格式的完整脉络，可以据此了解四种后端各自适用的任务类型、环境三部分的拆分方式，以及EROFS在其中扮演的角色。
为什么值得看
揭示头部厂商Agent训练底层基础设施设计，其按需加载与高超卖率方案对大规模智能体工程极具参考价值。
信源1 家
关键事实
相关 · 工具
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。