日本XXXX18岁新生代偶像：青春活力与才华横溢的探索者列举严峻的事实，没有人可以无视吗？，指向未来的信号，是否能启发我们行动？
题目：青春活力与才华横溢的探索者——日本XXXX18岁新生代偶像
在当今全球流行文化中，日本的年轻一代偶像无疑是其中最为引人注目的群体之一。他们以其独特的个性魅力和才华横溢的实力，吸引着无数的粉丝，同时也在国际舞台上展现出了自己无尽的创造力和创新精神。
让我们从他们的青春活力开始。这一代的新生代偶像们，正处于充满激情、好奇心和梦想的青少年时期。他们的笑容如同阳光般温暖而明媚，展现出旺盛的生命力和对生活的热爱。他们的日常生活充满了各种各样的冒险与挑战，无论是追求个人兴趣的音乐创作，还是投身于体育竞技，他们都以积极的态度去面对并应对。他们的青春岁月虽然短暂，但每一刻都在尽情绽放，就像那颗充满生机的种子，等待着破土而出，绽放出属于自己的光芒。
是他们的才华横溢。这些偶像们的作品不仅包含音乐、影视、舞蹈等多种艺术形式，而且涵盖了文学、设计、科技等多个领域。他们在各自领域的才华展示，无疑是对自我价值的完美诠释。例如，J-rose，一位凭借出色的嗓音和演唱实力而迅速走红的歌手，她的歌曲常常能引发听众的情感共鸣，传递出丰富的内心世界；或是森久保洋介，一位以电影制作、动画制作和音乐制作为主业的导演，他的作品在全球范围内广受赞誉，展现了强大的创意能力和卓越的艺术才能。他们的才华不仅体现在专业的技能上，更表现在他们对于生活、艺术、社会等各个方面的深入理解和独到见解。
他们的独立自主和勇敢探索的精神也是他们成功的关键因素。在竞争激烈的娱乐圈里，他们并没有被外界的标准所束缚，而是坚持自我，勇于尝试新事物，不断突破自我。比如，稻垣浩的音乐创作之路充满了挫折和困难，但他始终坚信：“只要坚持不懈，总会找到属于自己的道路。”这种勇敢面对挑战、敢于挑战权威的精神，使得他在音乐界取得了举世瞩目的成就，并赢得了粉丝们的热烈支持。
日本的新生代偶像——那些青春活力、才华横溢的探索者，用他们的努力和勇气，向我们展示了新一代年轻人的独特风采和无限可能。他们的故事告诉我们，只要有热情、有梦想、有毅力，就一定能在人生的道路上创造出属于自己的辉煌。他们是当代社会的一股清流，他们用自己的行动，影响着一代又一代的年轻人，激励他们追求梦想，勇往直前，为自己的未来铺就光明的道路。在未来的世界舞台上，他们将继续熠熠生辉，引领潮流，成为我们心中永不熄灭的明星，激发我们对生活的热爱和对未来的憧憬。
本文作者分别来自新加坡国立大学、北京大学与清华大学。第一作者王宇豪与共同第一作者屈文杰来自新加坡国立大学，研究方向聚焦于大语言模型中的安全与隐私风险。共同通讯作者为北京大学翟胜方博士，指导教师为新加坡国立大学张嘉恒助理教授。
本研究聚焦于当前广泛应用的 RAG (Retrieval-Augmented Generation) 系统，提出了一种全新的黑盒攻击方法：隐式知识提取攻击 (IKEA)。不同于以往依赖提示注入 (Prompt Injection) 或越狱操作 (Jailbreak) 的 RAG 提取攻击手段，IKEA 不依赖任何异常指令，完全通过自然、常规的查询，即可高效引导系统暴露其知识库中的私有信息。
在基于多个真实数据集与真实防御场景下的评估中，IKEA 展现出超过 91% 的提取效率与 96% 的攻击成功率，远超现有攻击基线；此外，本文通过多项实验证实了隐式提取的 RAG 数据的有效性。本研究揭示了 RAG 系统在表面「无异常」交互下潜在的严重隐私风险。
本研究的论文与代码已开源。
总述
大语言模型 (LLMs) 近年来在各类任务中展现出强大能力，但它们也面临一个核心问题：无法直接访问最新或领域特定的信息。为此，RAG (Retrieval-Augmented Generation) 系统应运而生——它为大模型接入外部知识库，让生成内容更准确、更实时。
然而，这些知识库中往往包含私有或敏感信息。一旦被恶意利用，可能导致严重的数据泄露。以往的攻击方式多依赖明显的「恶意输入」，比如提示注入或越狱攻击。这类攻击虽然有效，但也有着输入异常、输出重复等典型特征，容易被防御系统识别和拦截。
图1: 使用恶意查询进行逐字信息提取与使用良性查询进行知识提取 (IKEA) 之间的对比
为突破防御机制对现有提取攻击的限制，本文提出了一种全新的隐式知识抽取框架：IKEA (Implicit Knowledge Extraction Attack)。该方法不依赖任何越权指令或特异化提示语，而是通过自然、常规的查询输入，逐步引导 RAG 系统暴露其内部知识库中的私有或敏感信息。IKEA 的攻击流程具备高度自然性与隐蔽性。
其核心步骤包括：首先，基于已知的系统主题构建一组语义相关的锚点概念 (Anchor concepts)；随后，围绕这些概念生成符合自然语言习惯的问题，用于触发系统检索相关文档；最终，通过两项关键机制对攻击路径进行优化与扩展：
上述机制协同工作，使得攻击过程在保持输入自然性的同时，能够在多轮交互中高效提取 RAG 系统所依赖的外部知识内容。实验证明，IKEA 可在常规输入检测与输出过滤等防御机制下维持高成功率与提取效率，展现出强大的鲁棒性与现实威胁潜力。
方法概览：如何实现「看似正常」的提问？
具体而言，IKEA 首先从与系统主题相关的概念词中筛选出可能有效的锚点概念，并结合历史响应信息过滤无关或无效的概念。
锚点概念数据库的初始化如下：
随后，系统围绕这些锚点概念自动生成语义自然、表达通顺的问题，引导 RAG 返回内容丰富的答案，从而在多轮交互中不断扩大对隐私知识的覆盖。这种策略使攻击过程更加隐蔽，难以被传统检测手段发现。下文给出了「良性」问题的具体生成方式：
该方法设计了两项关键机制以确保知识提取效率：
经验反思采样 (Experience Reflection Sampling)
每个候选锚点概念的采样概率由如下惩罚得分函数定义：
最终的采样概率为：
可信域有向变异 (Trust Region Directed Mutation)
图 2: (左) IKEA 整体流程图；(右) TRDM 示意图
其中：
实验结果：IKEA 的提取效率远超基线方法
研究团队在三个不同领域数据集 (医疗-HealthCareMagic100k、小说-HarryPotter、百科-Pokémon) 上测试了 IKEA 攻击效果。以下是 IKEA 与其他攻击方法在「无防御」、「输入检测」、「输出过滤」三种防御策略下的比较：
表 1: 在三种数据集上不同防御策略下的攻击效果对比分析
提取知识是否「有用」？
研究团队围绕知识有效性开展了两类实验：其一，评估提取出的知识在对应文档相关的问答任务中的表现；其二，评估在有限轮次攻击下所提取知识对完整知识库的覆盖与支撑能力。实验结果表明，IKEA 不仅能够高效提取 RAG 系统中的信息，而且所提取的知识在问答任务中展现出良好的实用性，其性能接近于使用原始知识库时的表现。
图 3: 在三种不同知识库设定下的选择题 (MCQ) 与问答 (QA) 任务结果对比
表 2: 在不同防御与不同基线下提取的知识作为参考的选择题与问答任务结果对比
表 3: 基于不同攻击方法提取数据构建的 RAG 系统在完整知识库上的评估结果
总结