DeepSeek于近日在知乎平台独家发布技术长文，首次系统阐释了其自研的弹性计算平台DeepSeek Elastic Compute（简称DSec）。该平台被定位为DeepSeek V4.1 Agent训练任务的核心基础设施，承担大规模强化学习训练中的算力调度与资源管理职能。这是DeepSeek首次对外完整披露其Agent训练背后的工程架构。
据文章披露，DSec是一套面向大规模AI训练场景的弹性计算系统，主要解决Agent训练过程中算力需求波动剧烈、任务编排复杂、资源利用率难以优化等问题。在V4.1 Agent的训练流程中，DSec负责将训练任务动态调度至异构计算集群，并根据任务优先级和资源状态实时调整分配策略。DeepSeek方面表示，该平台在V4.1 Agent训练期间实现了较高的资源利用率，有效支撑了长周期、多阶段的强化学习训练任务。
Agent训练与传统大模型预训练在工程需求上存在显著差异。传统预训练任务通常具有相对稳定的算力消耗曲线，而Agent训练涉及大量交互式环境模拟、多轮决策推理和动态反馈，算力需求呈现明显的波峰波谷特征。DSec的设计目标正是应对这种弹性需求，通过细粒度的资源池化和快速的任务迁移能力，在训练任务之间实现算力的高效复用。文章还提到，DSec在调度层引入了面向强化学习场景的优化策略，能够识别不同训练阶段的资源特征并提前进行容量规划。
DeepSeek V4.1是其面向Agent场景推出的模型版本，具体发布时间和参数规模尚未在本次技术文章中披露。从文章内容来看，V4.1的训练工作已经完成或接近完成，DSec作为支撑平台经历了实际训练任务的验证。DeepSeek选择在知乎而非官方技术博客发布这一内容，延续了该公司在中文技术社区进行技术输出的习惯。此前，DeepSeek曾多次通过知乎和GitHub发布模型技术报告与开源项目。
从行业视角看，随着AI Agent成为大模型厂商竞相布局的方向，Agent训练的基础设施需求正在快速增长。与传统预训练相比，Agent训练对算力调度系统提出了更高要求：需要支持更细粒度的任务拆分、更频繁的环境交互、更复杂的奖励信号处理，以及更灵活的资源伸缩能力。目前，国内外主要AI厂商均在构建面向Agent训练的专用基础设施，但公开披露工程细节的案例并不多。DeepSeek此次发布DSec技术文章，为外界了解其Agent训练工程体系提供了少有的窗口。
DSec的披露也反映出DeepSeek在基础设施层面的持续投入。此前外界对DeepSeek的关注多集中于模型架构和训练成本，而此次技术文章表明，该公司在算力调度、资源管理等系统工程领域同样进行了系统性建设。对于企业级AI应用而言，Agent的训练效率和部署成本直接影响商业化可行性，弹性计算平台的能力将成为衡量AI厂商工程竞争力的重要维度。
截至发稿，DeepSeek未披露DSec是否会对外提供服务或开源。考虑到DeepSeek此前在开源方面的积极姿态，DSec的部分技术方案未来存在对外输出的可能性。在Agent训练需求持续增长的背景下，弹性计算平台的技术演进值得持续关注。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
