Abordamos la predicción de atributos de productos multimodales de artículos de moda basados en imágenes y títulos de productos. Los atributos del producto, como tipo, sub-tipo, corte o ajuste, están en un formato de cadena, con los valores de atributos anteriores restringiendo los valores de los siguientes atributos. Proponemos abordar esta tarea con un modelo de predicción secuencial que puede aprender a capturar las dependencias entre los diferentes valores de atributos en la cadena. Nuestros experimentos en tres conjuntos de datos de productos muestran que el modelo secuencial supera a dos líneas base no secuenciales en todos los conjuntos de datos experimentales. En comparación con otros modelos, el modelo secuencial también es mejor para generar secuencias de cadenas de atributos no vistas durante el entrenamiento. También medimos las contribuciones de las entradas de imagen y texto y mostramos que, aunque los modelos solo de texto siempre superan a los modelos solo de imagen, solo el modelo secuencial multimodal que combina tanto imagen como texto mejora sobre el modelo solo de texto en todos los conjuntos de datos experimentales.