大家一定要体验一下最新版本的 @MulticaAI，对 UIUX 做了大量的优化，整套 UI 都是 5.6 Sol + Fabel 5 写的，但是几乎没有什么 AI Slop（除了一些个别页面还没有优化完）。
过段时间可以分享一下如何结合这两个模型来做 UI 设计。
顯示更多
使用 Multica 你甚至可以一次性做 100 件事，主要的瓶颈还是在人的 attention，例如我们的队列里面还有 170+ 任务等待人做一个最终的 review。
顯示更多
That's about as many sessions as my Mac Studio can take.
发布 3 个月， @MulticaAI 在 GitHub 上达到 40k star 🚀
开源版本也在过去几个月被下载了几十万次，继续 building！
Fabe 5 写代码 + GPT 5.6 Sol code review，或者反过来，强强联手，效果无敌。
Codex 实践下来一个最节省 usage 的配置：
- 模型 5.6 Sol
- Effort 选择 Extra High 或者 Max
- Speed 选择 Standard
Ultra 很难用（只是会 spawn 多个 sub agent），Fast 很好用但是太耗 token 了，Ultra + Fast 一个任务就可以把 5h limits 跑完。
按照这个配置可以多消耗 2x-3x 的 token。
顯示更多
几个客观性说明：
1）这一条和 MiniMax 没有任何关系（我从来不接商单）
2）「体感」不等于真实水平，不是量化数据
用了更多的一些体验，整体上 coding 能力对比 m2.7 是质的提升，目前发现的缺点是 1-shot 的结果相比较 Opus 4.6/4.7/gpt5.5 没有那么全面，会出现考虑不是特别全的情况。
但是加另外一个 Agent 作为 gate 和 mentor（例如 Opus 4.7），可以获得一个非常好的结果，M3 写代码，Opus 4.7 做 code review 并给出具体的修改意见，可以做到一个很好的「效果 + token 使用」的平衡。
为了保证客观性，正在做一个更加量化的数据评测：用 Multica 这个项目中真实的 Issue 来做 benchmark。
整个流程均基于 Multica 的 Squads 功能，会同步加上其他主流 OSS 模型作为评测的对象。
顯示更多
已经测试一个早上了，目前体感上接近 Opus 4.7（还需要进一步测试）。
用 M3 来写代码，Opus 4.8 + GPT5.5 来做对抗式的 code review，效果还不错。
已经完成了 1 个 PR
顯示更多
Introducing MiniMax M3: The First Open-Weights Model to Combine Three Frontier Capabilities
- Coding & Agentic Frontier: 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 34.8% SWE-fficiency, 28.8% KernelBench Hard, 74.2% MCP Atlas
- MiniMax Sparse Attention scales context to 1M
- Natively Multimodal from Step Zero
API:
Token Plan:
🚀New! MiniMax Code:
Weights & Tech Report in ~10 Days
顯示更多
andrej-karpathy-skills 成为了 GitHub 历史前 50 的项目。
GitHub 上已经超过 5K 条 commit 是通过 @MulticaAI 来提交的了！
Multica 已经发布了一个多月了，距离一个多月前，我们完成了数百项更新（基本上每天更新一个版本），已经补齐了大部分基本的功能。
GitHub star 也接近 30K，有数百位社区成员给 Multica 贡献了代码，每个月在 Multica 上的 token 消耗超过了 3000 亿，Multica 帮助用户完成了几十万个 Task。
感谢大家支持！
顯示更多
开源 Multica：专为 AI-native 团队设计的 Agent + 人的协作平台
为什么做 Multica？
Multica 最初是为了解决我们团队自己的问题：
1. 团队间的知识无法共享。 每个人都在用 coding agent，但产出的上下文全部散落在各自的 agent session 里。A 做完了一件事，B 不知道；agent 跑完了一轮，结果只有发起人看得到。团队知识变成了一座座孤岛。
2. 多人 + 多 Agent 的协作缺乏中枢。 当团队同时有多个 agent 在跑任务，谁在做什么、做到哪了、卡住了没有——没有一个地方能看到全貌。人和 agent 之间、agent 和 agent 之间，缺少一个共同的协作界面。
Multica 是什么？
一句话：像 Linear 一样管理任务，但 AI agent 是一等公民。
你可以像分配任务给同事一样，把 issue 分配给 agent。agent 会自动领取任务、在你的本地机器上执行代码、提交结果、更新状态、发表评论——一切都发生在同一个看板里，所有人实时可见。
核心思路很简单：每个人把自己的 coding agent（Claude Code / Codex）注册到团队 workspace，之后就可以像分配任务给同事一样分配给 agent。agent 自动执行、更新状态、发表评论，所有人实时可见。
适合谁？
- 1-10 人的 AI-native 小团队
- 正在大量使用 coding agent 但缺少协作中枢的团队
- 希望让 agent 融入日常工作流而不是当作独立工具的团队
官网:
欢迎 star、试用、提 issue，也欢迎 PR。
顯示更多
Multica 作为 human + multi-agent 的协作平台，是唯一没有加 IM/Channel 的，主要的考量其实也非常简单：
组织从现有的 IM（飞书/Slack）迁移到另外一个 IM 有非常大的摩擦。
我们采用的方式是把 Multica 接入到飞书/Slack/Telegram/Discord 中，让现有的 IM 也能很好得进行多 Agent 的管理。
这个功能预计会在这两周上线。
另外，Multica 将始终保持开源的形态，我们发现已经启发了很多产品（例如 Open Design），包括 Multica 的 CLI-first 的设计也被用在了很多新的产品设计思路中。
顯示更多
最近把 PRD 换成了 HTML 之后确实方便了非常多。可以让 agent 直接在 planning 这一步就先把低保真的原型做出来，然后随着这个 PRD 一起来进行评审。
顯示更多
开源 Multica：专为 AI-native 团队设计的 Agent + 人的协作平台
为什么做 Multica？
Multica 最初是为了解决我们团队自己的问题：
1. 团队间的知识无法共享。 每个人都在用 coding agent，但产出的上下文全部散落在各自的 agent session 里。A 做完了一件事，B 不知道；agent 跑完了一轮，结果只有发起人看得到。团队知识变成了一座座孤岛。
2. 多人 + 多 Agent 的协作缺乏中枢。 当团队同时有多个 agent 在跑任务，谁在做什么、做到哪了、卡住了没有——没有一个地方能看到全貌。人和 agent 之间、agent 和 agent 之间，缺少一个共同的协作界面。
Multica 是什么？
一句话：像 Linear 一样管理任务，但 AI agent 是一等公民。
你可以像分配任务给同事一样，把 issue 分配给 agent。agent 会自动领取任务、在你的本地机器上执行代码、提交结果、更新状态、发表评论——一切都发生在同一个看板里，所有人实时可见。
核心思路很简单：每个人把自己的 coding agent（Claude Code / Codex）注册到团队 workspace，之后就可以像分配任务给同事一样分配给 agent。agent 自动执行、更新状态、发表评论，所有人实时可见。
适合谁？
- 1-10 人的 AI-native 小团队
- 正在大量使用 coding agent 但缺少协作中枢的团队
- 希望让 agent 融入日常工作流而不是当作独立工具的团队
官网:
欢迎 star、试用、提 issue，也欢迎 PR。
顯示更多
