作者丨高允毅
编辑丨岑峰
当RSI的风吹到DeepSeek，这次聚焦的新话题是“自动化沙箱”。9月19日，arXiv更新了DeepSeek新论文《DSec：面向大规模智能体训练的高效沙箱基础设施》，首次展示了其自动化沙箱系统DSec。作为专用于超大规模Agent强化学习与评测的生产级底座，DSec每日可自动运行300万个沙箱环境，不仅能通过严苛的权限隔离防止AI作弊，还能精准复现AI在沙箱内每一步环境反馈。
在Agent强大到频频失控、甚至意识到被监控而隐藏思维链的2026年，沙箱已不再是附庸的安全配件，而是AI进化的训练场和锁死破坏力的关键防线。主导这一切的，正是通讯作者梁文锋。
过去三年，梁文锋并未将精力集中于上百人署名的旗舰模型整体报告，而是扎根底层，在MLA注意力、MoE路由、mHC拓扑流形、DSpark算子及DSec沙箱等11篇原子技术论文上署名，精准直击行业核心痛点：
- 《DeepSeek LLM: Scaling Open-Source Language Models with Longtermism》
- 《DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture-of-Experts Language Models》
- 《DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model》
- 《DeepSeek-Coder-V2: Breaking the Barrier of Closed-Source Models in Code Intelligence》
- 《DeepSeek-V3 Technical Report》
- 《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》
- 《Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention》
- 《Insights into DeepSeek-V3: Scaling Challenges and Reflections on Hardware for AI Architectures》
- 《mHC: Manifold-Constrained Hyper-Connections》
- 《DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation》
- 《DSec: An Efficient Sandbox Infrastructure for Large-Scale Agent Training》
01 2024年初的破局之战：打破算力军备竞赛
2024年初，大模型行业深陷算力规模的军备竞赛。OpenAI的GPT-4级别模型单次训练物料成本超6300万美元，算力资源直接决定了模型能力的天花板。沿巨头路线追赶，初创公司只能活在阴影中，如Stability AI、Inflection AI等纷纷因算力成本掉队或被并购。
梁文锋的第一波狙击，直接打破了“算力与能力线性绑定”的底层规则。
《DeepSeek LLM》：数据质量重于参数规模
2024年1月5日，DeepSeek在全球开源社区首秀。团队通过严密的数学推导证明：在算力固定前提下，提升数据质量与密度比盲目扩大参数更优。基于2万亿优质双语Token训练的7B与67B版本，在代码、数学与推理基准上全面反超Llama-2 70B，并击败GPT-3.5。这打响了“用更少算力训出更聪明模型”的第一枪。
《DeepSeekMoE》与《DeepSeek-V2》：重构Transformer架构
随后的《DeepSeekMoE》与《DeepSeek-V2》直接重构了传统架构。MoE架构通过细粒度专家动态路由将训练开销降低42.5%；首创的MLA多头潜在注意力机制将KV Cache体积压缩93.3%。
基于此诞生的DeepSeek-V2以极低成本引爆API价格战，不仅让DeepSeek挤进核心牌桌，更将大批边缘玩家和开源社区重新拉回赛场。
02 2024至2025年的能力击穿战：冲击闭源智力高地
解决“用低成本做出可用模型”后，梁文锋将低成本路线推向极致，追赶闭源模型的顶级水平。
《DeepSeek-Coder-V2》：打破代码与推理垄断
2024年6月发布，率先向闭源模型垄断最深的代码垂直领域发力。在MoE架构基础上注入6万亿高质量代码与数学数据，支持338种语言，上下文拉满至128K。最终在HumanEval等主流基准上首次全面超越GPT-4 Turbo等闭源顶级模型，将代码智能调用成本降至OpenAI的百分之一，让中小企业和独立开发者得以低成本构建Agent团队。
《DeepSeek-V3》：极致压榨算力效率
2024年底，团队在不到2个月内，仅凭2048块H800显卡，以560万美元成本训练出671B参数的DeepSeek-V3。通过无辅助损失专家负载均衡、FP8数值精度训练、计算与传输并行三大优化，将每分算力榨到极致。这560万美元成为全行业公开处刑的标尺，证明了新MoE架构能以极低成本稳定完成超大规模训练。
《DeepSeek-R1》：颠覆强化学习推理范式
2025年春节，DeepSeek-R1横空出世，斩落闭源推理标杆o1，强化学习阶段仅耗资29.4万美元。核心突破在于GRPO算法，首次证明无需大规模监督微调，纯强化学习即可让模型涌现链式思考能力。成果登上《Nature》封面，引发西方主流媒体密集报道。国内更掀起R1热潮，梁文锋被誉为“全球AI底层范式定义者”。
《Native Sparse Attention》与《Insights into DeepSeek-V3》：下沉至硬件微观逻辑
2025年2月的《Native Sparse Attention》（NSA）用Triton重写底层算子，对齐GPU微观结构，使前向传播提速9倍，长序列解码拉高11.6倍，斩获ACL 2025最佳论文。6月发表于ISCA的《Insights into DeepSeek-V3》则从体系结构视角拆解MoE训练瓶颈，为下一代AI加速芯片提供设计建议，将技术影响力从算法层延伸至硬件层。
03 2025年末的深水区攻坚战：用数学重构深层底座
当模型进入千亿级、百层以上的“无人区”，竞争从参数规模比拼变成了深层网络拓扑的数学命题。
《mHC》：流形约束超连接破解训练不稳定性
经典残差连接在极深极宽模型中面临数值稳定性瓶颈。2025年12月31日，梁文锋团队提出流形约束超连接（mHC）。它强制要求层间交互映射矩阵严格落在Birkhoff多面体流形内，相当于架起一道“数值护栏”，从数学底层解决超深层模型训练发散问题。这一步重新定义了深层网络的连接规则，为万亿参数极限模型打下了稳固的数学地基。
04 2026年的终局卡位战：抢占Agent基础设施高地
进入2026年，全行业认准下一主战场：智能体（Agent）。当同行聚焦于模型的显性指标时，梁文锋已开始布局更底层的Agent训练基础设施。
《DSpark》：智能推理加速调度
2026年6月发布，DSpark通过动态调整生成节奏（有把握处提速，易错处减速），避免回滚重算，将高并发场景下的生成速度提升60%–85%。它将推理效率的比拼从“芯片算力”升级为“调度智能”，为“百万人同时用AI干活”的未来提前打好地基。
《DSec》：大规模Agent自动化沙箱
针对Agent强化学习需要的海量沙箱环境，9月发布DSec系统。每日可自动运行300万个沙箱，并发承载38万个实例，内置完整防作弊机制。这是首次将Agent大规模训练基础设施标准化、公开化，完成了支撑百万级Agent并行训练的基础设施“提前卡位”。
05 技术狙击手的哲学：底层击穿与AI普惠
三年来，梁文锋署名的11篇论文，从MoE重构算力成本，到MLA、NSA击穿长上下文瓶颈；从R1颠覆推理范式，到mHC筑牢数学底座；从DSpark榨干推理效率，到DSec卡位Agent基础设施。
梁文锋被尊称为“梁圣”，正是因为他精准踩在技术演进节点上，用“底层击穿”的路线解决行业致命痛点，最终实现AI的技术普惠。
真正的狙击手从不炫耀弹药数量，只关心精准打击。这条底层技术路线，正是中国大模型在全球竞争中最具价值的差异化路径。
