梁文锋署名，DeepSeek发新论文！剑指大规模Agent训练

DSec平台首次出现是在 V4技术报告中，其主要作用，就是为Agent训练提供沙盒，以实现大规模Agent训练的稳定运行。论文明确写道，从 V3.2到V4.1的RL训练与评测，所有沙盒负载都运行在DSec上，如今公开技术细节，也算是把“焚决”交出来了。

论文显示，DSec平台的规模非常庞大，其中一个生产单元由约160个CPU节点、3万核、250TB内存构成，托管PB级镜像。

能力方面，DSec平台单日服务约300万个沙盒，峰值并发超过38万个，创建速度超过每秒5000个，单个训练任务最多可以一次性拉起3.2万个沙盒。

每个任务创建的沙盒数量分布情况

那么问题来了，为什么在Agent训练中需要数量如此庞大的沙盒？而面对复杂的执行环境，DSec又是如何解决规模、调度和资源管理问题的？

传统LLM训练的强化学习，很多时候可以围绕静态的输入、输出和奖励信号展开，但Agent训练和LLM完全不同，需要真正进入真实环境，实际执行检查代码、调用工具、执行命令、修改文件等任务。模型每执行一步，都可能会触发环境状态的变化，而下一步执行又建立在前面的结果之上。

这意味着，Agent训练过程中，除了模型和数据，研究人员还需要维护一大批“工作现场”，这些环境得足够接近真实机器，可以安装依赖、运行软件等，还要能在一次任务结束后恢复干净状态，交给下一轮继续使用。

问题在于，这些沙盒既多又不轻。

论文中显示，训练过程中一次任务曾同时拉起3.2万个沙盒，而这些沙盒又不会跑满，在Agent执行任务时，沙盒经常处于等待下一步操作的状态，CPU利用率并不高。但CPU闲着，并不意味着资源已经释放，内存和可写状态仍然需要持续保留。

CPU使用是间歇性的，内存和状态会持续被占据

因此，传统的“起一个容器、跑完一个任务”的思路就很难继续撑下去。DSec平台诞生的目的，就是同时解决沙盒的批量创建、资源调度、环境复制、状态保存、暂停恢复和安全隔离。

随着Agent要执行的任务越来越复杂，背后的工作环境也很难再用同一种规格“应付”。

最轻的任务可能只需要一次函数调用，执行代码、返回结果即可；软件工程任务则需要完整的Linux用户态，能装依赖、改代码、跑测试；安全攻防和-use对隔离要求更高；如果要操作一些商业软件，所需的环境甚至得接近一台完整的计算机。

DSec提供四种后端：、容器、 和完整虚拟机，分别覆盖从短时函数调用、软件工程，到安全敏感任务和完整OS环境的不同需求。而训练框架则不需要关心底层到底是一个容器还是一台虚拟机，通过 SDK（），训练框架无需适配不同的环境类型，就能直接完成沙盒创建、命令执行和结果获取。

DSec的提供四种后端

DSec的四种后端由同一套平台统一调度。训练框架发起请求后，平台先完成身份和权限校验，再根据集群负载选择合适的节点，由节点上的Edge负责创建沙盒。沙盒启动后，和负责连接平台与沙盒内部的执行过程，镜像数据则由3FS按需提供。

DSec架构

但当这些环境从几种类型扩展到成千上万个实例，新的问题也就随之出现了：如何快速复制出数量庞大且种类不同的环境。

如前文所说，Agent训练的环境不只是数量多，组合也很复杂。

论文统计了一个生产周的数据：容器后端涉及11266个基础镜像、个工作区和103个工具包。实际运行时，67.8%的沙盒还会在基础镜像上叠加工作区或工具包。 就是其中需要频繁更新的一类组件。

如果把这些组件全部放在一个完整镜像中，任何一层发生变化，都可能需要重新构建和分发整个镜像。环境数量一多，镜像维护和部署的成本也会随之上升。

DSec把基础镜像、工作区和工具包拆成三个独立版本的只读EROFS层，沙盒启动时再通过组合。这样一来，哪个组件发生变化，就只更新对应的那一层，不需要重新处理整个镜像。

镜像分发则采用按需加载。论文发现，沙盒运行过程中实际读取的数据，只占完整镜像的4.2%到13.3%。因此，DSec将镜像数据放在3FS上，运行时按需读取，同时把元数据预取到本地，写入则保留在节点本地盘。考虑到3FS更适合大块、连续读取，这种方式也能避开小块随机I/O带来的效率问题。

DSec将环境拆分为可组合层

实际效果显示，当8192个容器同时突发部署时，按需加载耗时35分钟，而冷拉取则超过60分钟，单节点累计磁盘写入量也从约降至约700GB。

论文表明，DSec平台中环境的构建也可以由Agent完成。通过，Agent配置好环境后生成增量快照，之后就能恢复成新的沙盒。

早期方案中，Agent的推理和与模型训练共用GPU Pod。GPU任务一旦被抢占，正在执行的也会被迫中断。

从V4.1开始，把从GPU训练环境中拆分出来，交给DSec平台独立运行。Agent 负责运行 等执行环境， 负责具体任务，两者都不再依赖GPU资源。这样，GPU训练被抢占时，状态就可以实现独立保留。

DSec的CPU调度、内存回收、分层镜像和按需加载机制。

如果集群容量不足，DSec还支持向云端扩容。例如集群利用率超过80%后，符合条件的沙盒可以转移到云端虚拟机；为减少云端重新拉取镜像的开销，提前准备了约30TB的去重镜像集，其中约70%的文件会被容器任务实际访问。生产环境中，200台云VM可以承接约30%的峰值负载。

DSec解决了规模和效率问题，但真实环境还存在一些其他风险，例如Agent不一定会按照预期路径完成任务。

论文记录了多种异常行为，有Agent会翻查日志、伪造RPC请求，甚至修改/bin/bash，试图绕过正常的任务流程。还有Agent会扫描可达服务、拉取外部代码，通过评测之外的路径寻找答案。

更麻烦的是，Agent有时还会把环境本身搞坏。论文记录了递归扫描系统文件导致内核崩溃的案例，甚至一个简单的yes命令，都可能让日志迅速膨胀到几十GB。

针对这些风险，DSec主要通过和eBPF限制Agent的操作范围，前者控制文件和访问，后者限制网络访问，并可以根据任务阶段动态调整规则。

不过，这些措施目前只能覆盖部分风险，内核层漏洞仍然难以完全防住。

DSec展示了一套面向大规模Agent训练的基础设施方案。从沙盒创建、环境复用，到调度、状态保存和安全隔离，Agent训练正在形成一套独立的基础设施需求。

随着Agent任务持续变长、交互过程不断增加，执行环境的规模也会进一步扩大。如何让数万个甚至更多沙盒稳定运行，同时控制资源成本和安全风险，将成为Agent训练继续扩展需要解决的问题。

对于的Agent训练来说，模型能力持续提升的同时，承载这些任务的执行平台也需要跟上。DSec给出的这套工程方案，或许正是这一阶段Agent基础设施演进的一个切面。