近日，腾讯国际领先的沙生产AI大模型厂商MiniMax与腾讯云正式达成深度合作，双方围绕Agent RL强化学习训练的箱助核心场景，基于腾讯云Agent Runtime沙箱产品展开全链路技术与业务协同。打造底座

MiniMax深耕通用人工智能领域，近期发布的沙生产Agent RL框架Forge，旨在突破大模型在复杂任务中的箱助逻辑推理、代码执行与自主决策能力，打造底座而其大规模训练对底层基础设施的腾讯弹性、并发、沙生产安全提出极高要求。箱助

此次与腾讯云的深度合作，让Forge框架实现了强化学习场景中大规模交互环境的腾讯毫秒级拉起、百万级吞吐、沙生产十万级并发、箱助瞬时销毁，大幅提升了训练吞吐量和稳定性。

图：Agent RL（智能体强化学习）端到端闭环技术架构

腾讯云Agent Runtime沙箱自发布以来，已深度适配多个国际领先大模型，在智能编程、数据处理、自动化评测、浏览器交互等多元化业务场景实现规模化落地。此次与MiniMax的合作，针对Agent RL大规模数据合成、训练、评估的核心需求，实现了毫秒级沙箱启动、百万级实例并发、全场景环境模拟与安全隔离的技术突破，既是腾讯云Agent沙箱产品能力在头部客户核心场景的重磅验证，更标志着其完成了从技术打磨到规模化商业落地的关键跨越。

随着AI智能体从会话式向执行式加速演进，大模型厂商在Agent RL等核心场景落地中，普遍面临四大行业痛点：一是Prompt注入、越权执行带来的安全合规风险，缺少可控的安全执行边界；二是传统K8s架构为微服务设计，与Agent会话亲和、即用即销毁的资源模型错配，引发资源浪费、调度效率低等问题；三是容器/VM冷启动延迟高，无法支撑RL训练万级并发、交互式Agent百毫秒级启动的性能需求；四是行业协议标准不统一，存量业务迁移改造成本高，海量镜像分发易引发TB级带宽瓶颈。

针对上述行业痛点，腾讯云Agent Runtime沙箱打造了全场景适配的定制化解决方案，实现了性能、安全、成本的三重突破。

在性能层面，通过多级轻量架构与设备池化设计，规避传统K8s调度瓶颈，实现58秒内启动3万个4C+8G规格沙箱实例，单镜像场景下每分钟可创建60万沙箱、QPS超1万，SWE RL场景下压测吞吐达16w QPM，P99延迟稳定在1秒内且成功率达4个9；通过镜像按需加载、就近缓存、块级去重三大优化，解决海量镜像分发带宽难题，将镜像实际读取占比从全量降至约10%，大幅降低存储与传输成本；更通过资源池化与快照恢复技术，实现80ms级沙箱交付，较原有方案冷启动耗时降低96%。

在安全层面，基于腾讯云自研Cube沙箱技术构建虚拟化级隔离，通过独立内核、会话/网络/存储三层隔离机制，彻底消除容器逃逸、敏感凭证泄露的高危风险，为Agent自主试错构建坚实安全边界。

图：腾讯云自研三层安全隔离机制

在适配层面，原生兼容E2B协议，支持SDK/MCP/CLI/云API多方式接入，MiniMax仅需修改环境变量即可完成存量Agent业务迁移，实现零改造成本规模化落地。

此次合作中，双方共同验证了3A infra已经成为Agent时代基础设施发展的核心方向。该标准已在元宝、混元、微信读书等多个头部客户场景完成落地验证，为行业选型提供全方位参考。

Agent First以智能体为生产主体，重构基础设施设计范式，扭转传统架构以人为服务目标的设计原则，原生适配Agent会话亲和、短时高频调用的特性，同时通过开箱即用的工具链让开发者聚焦业务逻辑，大幅降低开发门槛；

Agent native打通技术与业务落地壁垒，不重构企业现有生产体系，原生适配Agent Serving无状态执行、Agent RL长时任务等全场景业务特性，更支持数十万自定义镜像免重构接入，实现与企业IT体系、业务流程的深度融合；

Agent ready筑牢规模化落地核心底座，凭借ms级交付、数十万级实例秒级并发的极致性能，突破Agent规模化训练与服务的性能天花板，更构建从环境隔离到行为审计的全链路安全防线，结合智能资源调度实现成本优化，在元宝AI编程场景中，迁移后资源核时消耗降低95.8%，实现“高性能、高安全、低成本”的规模化落地。

作为腾讯云为AI智能体量身打造的新一代任务执行环境，腾讯云Agent Runtime沙箱具备四大核心优势：一是全链路安全防护，构建环境隔离、权限管控、行为审计的完整安全防线；二是Agent原生资源架构，支持沙箱暂停/恢复/快照能力，实现资源高效调度；三是极致弹性性能，支撑数十万实例秒级并发、毫秒级启动，应对脉冲式业务需求；四是全生态兼容，多方式接入且原生兼容主流行业协议，可与腾讯云HAI、混元大模型、高性能存储、全球算力资源池等全栈产品深度联动，提供从算力、模型到执行环境的端到端解决方案。同时，该沙箱还支持代码、浏览器、移动端、电脑端等全场景交互环境模拟，提供精准轨迹记录、断点快照回放、全链路可观测的实验支持能力，完美匹配Agent RL训练的核心需求。

双方共同表示，未来将持续深化技术协同与场景拓展，不断打磨Agent原生基础设施能力，助力大模型厂商降低技术门槛与使用成本，推动AI智能体在千行百业的规模化落地，加速通用人工智能（AGI）时代的到来。