본 논문은 순차적 추천을 위한 멀티모달 대규모 언어 모델(MLLM)을 위한 효율적인 패러다임인 Speeder를 제안한다. Speeder는 (1) 아이템 설명의 중복성을 효율적으로 줄이는 다중 모드 표현 압축(MRC), (2) 복잡한 순차적 종속성을 포착하는 모델의 능력을 강화하는 순차적 위치 인식 향상(SPAE), (3) 모델의 이해를 개선하고 인지적 편향을 줄이기 위해 다양한 모드를 점진적으로 통합하는 모달리티 인식 점진적 최적화(MPO)의 세 가지 주요 구성 요소를 도입한다. Speeder는 VHR@1 성능 및 계산 효율성 측면에서 기존 모델보다 우수한 성능을 보였다. 특히, Speeder는 최첨단 MLLM 기반 SR 모델에 비해 훈련 속도 250%, 추론 속도 400%를 달성했다.
