DeepSeek在知乎独家发布技术长文，首次系统阐释了支撑DeepSeek-V4全部训练、评测与数据预处理流程的沙盒基础设施——DeepSeek弹性计算（DeepSeek Elastic Compute，DSec）。相关技术报告《DeepSeek弹性计算（DSec）：面向大规模智能体训练的高效沙箱基础设施》已公开至arXiv，由DeepSeek联合清华大学发布，作者团队超过130人，梁文锋也位列其中。
要训练一个可靠的Agent大模型，需要其能在真实环境里反复试错：阅读代码、修改文件、安装依赖、执行测试、运行服务。这些操作会不断改变环境，沙盒必须在多轮交互中持续保留状态。这类负载有几个鲜明特点：沙盒创建请求是脉冲式、突发的；启动后CPU大部分时间闲置，内存却需要持续驻留；Agent执行环境种类多，基础镜像复用率低；任务执行时间长，训练还可能因资源抢占而中断。这些特点直接决定了DSec的设计。
不同的Agent任务对隔离强度、操作系统功能和执行开销的要求各不相同。DSec支持FnCall、Container、MicroVM和Full VM四种执行后端，并通过统一的Python SDK（libdsec）接入，根据任务类型按需选择。其中，FnCall复用预先创建的容器，处理在线评测等短任务；Container以较快的启动速度和较高的部署密度，服务最通用的软件工程和工具调用；MicroVM提供更强的隔离边界，适用于安全任务等场景；Full VM提供完整的操作系统环境，支持图形界面、图形渲染和Android等应用。
Agent训练需要大量环境，首先要解决如何大批量构建和更新环境。以2026年某一周的生产数据为例，容器后端使用了11266个基础镜像、102171个工作区以及数百个工具包，按传统方式任意一部分更新都会导致大量镜像重建。为此，DSec将沙盒环境拆分为基础镜像、工作区和工具包三部分，三者更新节奏不同、版本管理各自进行，运行时再组合。DSec使用EROFS格式存储，该格式支持元数据与数据分离以及跨镜像去重，创建沙盒时通过OverlayFS按需组合各EROFS镜像层，更新时只需重建发生变化的镜像。
对生产环境镜像数据的分析显示，沙盒运行时实际访问的数据量仅占镜像总大小的4.2%至13.3%。因此DSec将全部镜像数据存储在3FS分布式文件系统上，只把所需镜像的元数据拉取到本地，占大头的数据在访问时按需读取。在一次集中创建8192个容器的实验中，与完整镜像拉取方案相比，按需加载将任务完成时间从60多分钟大幅缩短。