中国科学技术大学与淘天集团提出的EchoGen是首个基于视觉自回归模型的前馈式主体驱动图像生成框架。通过双路径主体注入策略，EchoGen在生成质量与效率上取得平衡，生成1024×1024图像的延迟仅为5.2秒，较现有扩散模型加速2-18倍，适用于实时应用场景。该研究在ICLR 2026上发表，展示了EchoGen在主体保真度和图像质量上的优势。