본 논문은 순차 추천(SR)의 성능 향상을 위해 멀티모달 대규모 언어 모델(MLLM) 기반의 새로운 패러다임인 Speeder를 제안한다. Speeder는 (1) 중복성을 줄이고 계산 비용을 감소시키는 Multimodal Representation Compression (MRC), (2) 멀티모달 표현의 점진적 학습을 가능하게 하는 Modality-aware Progressive Optimization (MPO), (3) 긴 상호 작용 시퀀스에서 상대적 및 절대적 시퀀스 의존성을 모두 캡처하는 Sequential Position Awareness Enhancement (SPAE)를 핵심 혁신으로 한다. 실제 데이터셋에 대한 실험 결과, Speeder는 Amazon 데이터셋에서 기존 모델 대비 학습 속도를 최대 250% 향상시키고, 추론 시간을 25% 단축시키는 효율성을 보였다.
