【財訊快報／陳孟朔】中國人工智慧公司DeepSeek公開一篇由創辦人梁文鋒(Wenfeng Liang)等131名作者署名的技術論文，說明其Agent訓練平台DeepSeek Elastic Compute(DSec)如何建立大量隔離的執行環境。Agent訓練需要讓模型反覆呼叫工具、執行程式並根據結果修正行動；每一次嘗試都可能占用運算資源並留下狀態，因此沙盒的建立速度與資源調度，會影響大規模訓練的效率。

論文指出，一個生產級DSec單元約有160個節點，每日服務約300萬個沙盒；實際部署中，並行運作的沙盒超過38萬個，每秒可建立逾5,000個。平台提供容器及不同等級的虛擬機等執行環境，並透過記憶體共用、資源回收與按需載入資料，降低大量沙盒同時運作的負擔。這些是DeepSeek在論文中公布的平台運作數據，不代表單一Agent可同時完成相同數量的任務。

規模之外，論文也討論Agent可能利用環境漏洞「走捷徑」的問題：模型若為了取得評測分數而繞過預定任務流程，訓練結果便未必反映其真正解題能力。DSec因此將沙盒與強化學習流程共同設計，讓訓練工作暫停時仍可保存沙盒狀態、回收閒置資源，並對異常行為施加存取控制。這些描述涉及訓練環境中的風險與防護，不能直接推論DeepSeek對外服務已發生資安入侵。

對AI產業而言，這篇論文顯示競爭焦點正延伸至支撐Agent反覆試錯的基礎設施。若沙盒能更快建立、維持更多並行任務並有效控制資���消耗，研究團隊便能以更大規模進行訓練與評測。不過，平台吞吐量與最終模型能力仍是兩項不同指標；DSec能否帶來更可靠的Agent，還須看後續模型表現與實際應用成果。