各位大佬好，目前正在深度使用vibe coding,手上有智谱，代码生成还行。但是多模态一言难尽，用过minimax,Ds,kimi和豆包  使用时长都不长，感觉总差那么一点意思。 
请问各位大佬 有推荐的多模态模型 或者对应的方法，主要用于图片，视频，音频的相关处理。