DeepSeek新论文作者超130人，背后藏着什么信号？

DeepSeek新论文公开，作者名单超过130人，创始人梁文锋最后署名。这篇论文首次系统披露了Agent训练沙盒平台DSec的技术细节，单集群日均运行300万个沙盒。130人署名的背后，折射出AI研究从“小团队突破”走向“大规模工程协作”的深刻转变。

一、这篇论文到底写了什么

DeepSeek新论文在预印本平台arXiv公布，论文题为《DeepSeek弹性计算（DSec）：面向大规模Agent训练的沙盒基础设施》，提交日期为9月19日，作者名单超过130人，梁文锋位列最后一位。

DSec是一个生产级沙盒平台，专门为大规模Agent训练和评测设计。通俗地理解，它就是一个“超大共享教室调度系统”：能同时开启数十万个隔离的小房间供AI运行代码，用模块化方式快速搭建环境，用共享机制节省存储空间，还能在计算资源被抢占时将任务状态打包封存，等资源恢复后继续执行。

论文披露的规模数据令人印象深刻：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。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一次性拉起3.2万个沙盒。

论文还揭示了一个有意思的发现：Agent会在训练中主动寻找漏洞和“作弊”——比如通过搜索平台管理文件中的残留答案来获取答案，甚至试图交换文件数据块映射来绕过访问控制。

二、130人署名意味着什么

单看“130人”这个数字，可能只是一个规模概念。但把它放进AI研究的历史坐标中，含义就完全不同了。

DeepSeek在27个月内，作者池从不到100人扩张到300多人。2025年12月DeepSeek-V3.2发布时有262位作者，到V4技术报告时，“研究与工程”作者名单已接近300人。这意味着DeepSeek新论文的130人署名，并非一次孤立的“大团队作战”，而是一个持续扩张趋势中的自然节点。

更值得注意的是，根据对DeepSeek近两年27篇核心论文的统计分析，328位研发作者中有168人形成了稳定、重复的合作关系，累计产生了319条合作连接。横跨3个及以上技术方向的“多边形战士”有79人。Top25高频研发作者中，近四成来自北京大学。

这说明什么？说明DeepSeek新论文的130人名单不是临时拼凑的“人头数”，而是一张已经运转成熟的协作网络的又一次集体输出。

三、为什么Agent训练需要这么多人

传统大模型训练的论文，署名通常集中在算法设计者和核心工程师身上。但DeepSeek新论文的情况不同——DSec是一个基础设施项目，它横跨的领域极其广泛。

论文中描述的技术栈覆盖了多个层面：可组合环境层需要系统架构设计，按需镜像加载涉及存储工程，高密度资源管理考验调度算法，与强化学习框架的协同设计需要理解训练流程，安全隔离则涉及系统安全。

从沙盒后端来看，DSec提供四种方案：FnCall、容器、Firecracker microVM和完整虚拟机，分别对应从短时函数调用到完整操作系统环境的不同需求。训练框架通过Python SDK无需适配不同环境类型，就能直接完成沙盒创建、命令执行和结果获取。

这种复杂性决定了一个事实：DSec不是一个“几个聪明人关起门来就能搞定”的项目。它需要系统工程师、分布式计算专家、安全研究员、强化学习算法工程师、存储架构师等多角色深度协作。130人的署名，反映的是这个基础设施本身的工程复杂度。

四、大团队协作正在成为AI研究新常态

如果只把DeepSeek新论文的130人看作一家公司的个例，那就低估了这个现象的意义。

从行业对比来看，OpenAI的GPT-4技术报告列出了数百名贡献者，其o1系统卡片涉及265位作者。而Google的Gemini论文作者数量更为惊人——2023年初始版本已有1350名作者，到2025年这一数字增长至3295人，两年间增幅达144%。

与此同时，也有另一种模式并存。Google DeepMind的IMO金牌模型核心团队大部分时间只有约10人。Sora的技术报告背后核心团队仅13人。

两种模式的并存揭示了一个关键趋势：AI研究正在分化。偏向算法创新的工作仍可以由小团队完成，但涉及大规模系统工程、基础设施建设、安全对齐等方向的研究，越来越依赖大规模协作。DeepSeek新论文正好站在后一条赛道上。

学术研究也印证了这一趋势。一项覆盖300万篇论文、26个领域的研究发现，ChatGPT发布后，科学研究的劳动分工正在发生变化，团队规模持续增长。

五、团队规模背后的组织逻辑

130人署名还引出一个更深层的问题：这么多人如何有效协作？

从DeepSeek的组织特征来看，答案在于“没有部门墙”的扁平化结构。328位研发作者中，超过半数的研发人员在跨界，横跨3个及以上方向的有79人。研究员会根据兴趣和问题动态集结，而不是固定在某个部门内。

这种组织模式的代价和收益都很明显。代价是管理复杂度上升——130人的协作需要极强的信息同步机制。收益则是创新效率的提升——当一个问题需要同时解决存储、调度、安全、算法四个维度时，跨方向的研究者可以快速组队，而不用走层层审批。

这恰好解释了为什么DeepSeek新论文能同时覆盖从沙盒后端到强化学习协同设计、从镜像加载优化到Agent行为安全约束的全栈技术方案。每一个技术点背后，都需要对应领域的专家深度参与。

六、不同机构的大规模论文协作模式对比

这张对比表呈现的不仅是数字差异，更是三种不同的研究组织哲学。Google走的是“大兵团”路线，一篇论文动辄数千人署名，体现了其“全面覆盖”的战略。OpenAI的署名规模居中，更强调核心贡献者的识别度。DeepSeek新论文则呈现出一种“精干核心+广泛协作”的模式——31人核心团队稳定输出方向，130人以上的协作网络提供工程纵深。

七、署名规模的边界在哪里

大规模署名也带来了值得思考的问题。

当一篇论文有130人甚至数千人署名时，“作者”这个概念本身正在被重新定义。在学术传统中，署名意味着对研究内容负有学术责任，能够回应质疑、承担后果。但当署名规模膨胀到一定程度，个体与研究成果之间的责任链条就会被拉长。

这不是DeepSeek一家的困境。整个AI学术界都在面对这个问题。有研究指出，随着研究团队规模扩大和学术竞争加剧，论文署名人数急剧增加，在某些情况下，个人被列为作者但实际贡献很少甚至没有。

DeepSeek的做法提供了一个参考：V4技术报告将署名分为“研究与工程”和“商业与合规”两类，使不同角色的贡献边界更为清晰。DeepSeek新论文中梁文锋位列最后一位的署名方式，也传递出一种信号——创始人的角色是“托底”而非“挂名”。

八、这对AI行业意味着什么

DeepSeek新论文的130人署名，表面上看是一个团队规模的故事，实质上反映的是AI竞争焦点的转移。

过去两年，行业关注的焦点集中在模型能力本身——谁的参数更多、谁在基准测试上得分更高。但DSec这样的基础设施论文的出现，说明竞争正在向更深层延伸。当AI从“生成Token”走向“执行任务”，训练环境的规模、稳定性和安全性，正在成为决定模型实际能力的关键变量。

DSec与强化学习框架的协同设计尤其值得关注。它将Agent有状态的任务执行与可抢占的GPU训练解耦——即使GPU训练任务被暂停或重新调度，Agent已经执行到一半的任务状态仍然可以保留。这个设计解决了一个真实痛点：在大规模训练中，GPU资源的调度中断几乎不可避免，如果每次中断都意味着Agent任务的从头开始，训练效率将大幅下降。

从行业格局来看，DeepSeek坚持开源路线，将DSec等关键基础设施的技术细节公开，与OpenAI、Anthropic等海外巨头将尖端技术闭源形成鲜明对比。这种选择意味着DeepSeek在通过吸引全球开发者、建立技术标准来构建生态影响力。

九、一个值得关注的信号

回到DeepSeek新论文本身，130人署名中最值得注意的细节可能不是人数，而是这130人背后所代表的能力结构。

论文中提到的“Agent构建环境—新Agent在环境中训练—更强Agent继续构建更多环境”的生产闭环，暗示了一个重要的方向：DeepSeek正在尝试让AI系统具备自我迭代的基础设施能力。这不只是一个技术方案，更是一种研究范式的转变——从“人类设计训练流程”走向“AI辅助构建训练环境”。

在这个范式下，130人的角色也在发生变化。他们不只是论文的作者，更是这套自我迭代系统的设计者和维护者。随着Agent任务持续变长、交互过程不断增加，执行环境的规模还会进一步扩大。如何让数十万个甚至更多沙盒稳定运行，同时控制资源成本和安全风险，将是接下来需要持续解决的问题。

DeepSeek新论文的130人署名，或许正在标记一个转折点：AI研究正在从“少数天才的灵光一现”，走向“大规模工程团队的精密协作”。这个趋势是否可持续、是否会带来研究质量的稀释，目前还没有定论。但有一点可以确定——当基础设施的复杂度超过了个体能力的上限，协作规模的增长就不再是选择，而是必然。

FAQ

Q1：DeepSeek新论文是什么时候发布的？

论文提交日期为2026年9月19日，9月23日正式公开。论文发布在预印本平台arXiv上，题为《DeepSeek弹性计算（DSec）：面向大规模Agent训练的沙盒基础设施》。

Q2：DeepSeek新论文的作者有多少人？

作者名单超过130人，DeepSeek创始人梁文锋位列最后一位署名。论文详细介绍了DSec平台的技术架构和生产规模数据。

Q3：DSec平台是做什么用的？

DSec是DeepSeek用于大规模Agent强化学习与评测的生产级沙盒基础设施。它可以在集群中统一调度和管理大量沙盒，为AI智能体训练提供可交互、可验证、可隔离的执行环境。

Q4：为什么这篇DeepSeek新论文需要130人以上的作者？

因为DSec是一个全栈基础设施项目，涉及系统架构、分布式计算、存储工程、安全隔离、强化学习协同设计等多个专业领域。130人的署名反映了项目本身的工程复杂度，也体现了DeepSeek扁平化、无部门墙的协作组织模式。

Q5：DeepSeek团队总共有多少人？

据报道，DeepSeek在27个月内从不到100人的研发团队扩张到300多人。包括创始人在内，核心团队一直控制在相对精简的规模，但研发作者池随论文数量增加而持续扩大。

Q6：DSec平台的规模有多大？

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。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。

Q7：这篇论文对AI行业有什么影响？

论文揭示了AI竞争正从模型能力向训练基础设施延伸。DSec解决了大规模Agent训练中沙盒创建、资源调度、状态保存和安全隔离等核心工程问题，为行业提供了可参考的技术方案。