公交车失控，乘客大腿紧绷，合抱成一团：公共汽车悲剧的细节展现，YU7发布在即，雷军：志在必得！产品力是自信来源看似无害的提问，也能偷走RAG系统的记忆——IKEA：隐蔽高效的数据提取攻击新范式通威股份中长期债务如同一座隐形山峰，一方面长期借款与应付债券占据总负债的半壁江山；另一方面盈利能力却未能与之匹配，一季度净亏损高达25.93亿元，利息费用激增近八成，凸显债务成本的沉重压力。光伏行业价格波动与全球利率上行进一步为偿债前景蒙上阴影。若盈利持续低迷，这座债务之山或将压迫公司财务的喘息空间，亟需通过延长债务期限或优化资本结构以化解风险。
公交车在行驶途中突然失控，驾驶员未能及时发现并采取应对措施，导致多名乘客被卷入车底，其中一名女子双腿紧紧抱住公交车司机。这起公共汽车悲剧的详细描述揭示了公共交通系统中潜在的安全风险和驾驶员的责任感问题。
文章以一辆正在行驶中的公交车为例，描述了事故发生时的现场场景。车辆突然加速，驾驶员未能意识到危险的存在，导致方向盘失去控制，公交车偏离轨道，冲向路边。乘客们惊恐地意识到自己的处境，并迅速采取自救措施，试图将自己和车上的其他人从车厢内挤出来。
在危机时刻，一名女性乘客立即抓住公交车司机的肩膀，试图将她拉出车厢。她的动作非常迅猛，几乎将大巴推向一边，与司机的身体紧紧相拥在一起。由于公交车的座椅高度过低，这一举动使得她无法获得足够的支撑力，最终只能紧紧抱住司机的身体，形成了一张巨大的“人肉挡板”。
这幅画面清楚地展示了公交车失控后乘客之间密切的互动关系。尽管这位女乘客试图通过这种方式寻求救助，但她的行为却引发了其他乘客的关注和恐慌。他们在紧急情况下表现出的紧张情绪和相互依赖，反映出公共交通系统中可能存在的一些安全漏洞和驾驶员对于乘客安全的忽视。
文章指出，公交车失控事件的发生，除了驾驶员的疏忽之外，还可能归咎于公共交通系统的监管不足、设备老化和驾驶员培训不够等多方面因素。针对这些深层次的问题，我们需要进一步加强公共交通的安全监管，提高驾驶员的专业素质和应急处理能力，同时推动公共交通系统进行更新换代，确保其更加可靠和安全。
公交车失控悲剧的惨剧虽然令人痛心，但同时也警示我们，公共交通系统中存在的安全隐患不容忽视，驾驶员的责任感也是保障乘客生命安全的关键。只有通过持续改进和优化公共交通设施，提升驾驶员的驾驶技能和服务水平，才能有效防止类似事故的发生，为乘客创造一个更安全、更舒适的出行环境。
日前小米集团举办了2025投资者大会，会上雷军回答了关于小米汽车、小米YU7的相关网友关注问题。其中提到小米YU7的留资数据确实亮眼。
宣称达到SU7同期的3倍，其中60% 是首次留资用户，甚至40% 从未接触过小米产品。这架势，仿佛雷军又要在SUV市场再造一个现象级。
但资本市场和行业反应，似乎没有预想中热烈。与SU7发布时铺天盖地的追捧相比，围绕YU7的讨论里，多了几分冷静审视的意味。
订单数据漂亮，就一定能复制SU7的成功？小米的护城河，真能兜住这场更大的赌局？
参数再激进，Model Y的铁王座那么好撬？
YU所披露的实力确实凶悍。工信部备案的835公里CLTC续航、宣称的5分钟400公里兆瓦级闪充（比亚迪技术加持）、-10℃极寒测试1310公里，加上4999mm车长、3000mm轴距和激光雷达、Thor芯片等全系标配，参数表上几乎处处压着Model Y打。
然而，参数碾压≠市场碾压，Model Y的统治力远不止于纸面。 2024年在中国狂销48万辆，其背后是成熟的供应链、稳定的品控、庞大的用户基数和特斯拉品牌本身在电动车领域的信仰加成。
小米YU7这套华丽的参数组合拳，能否转化为用户实际体验中的压倒性优势？
尤其是在补能网络的现实覆盖、冬季真实续航的达成率、以及智能驾驶系统的成熟度这些需要真金白银和时间沉淀的环节，小米的答卷才刚刚开始书写。续航835km很吸睛，但日常通勤，用户对那多出的百十公里真的那么敏感吗？ 还是说，这更像是一场单纯技术实力的军备竞赛比拼？
生态是金矿，也可能是甜蜜的负担
雷军反复强调的“人车家全生态”闭环，无疑是小米造车最独特的标签。SU7发布后带动小米全品类增长，似乎印证了这种协同效应。YU7的天际屏与米家深度互联，确实描绘了一幅诱人的智能生活图景。
但这张“生态牌”打出去，用户买不买账，是另一回事。 那40%从未接触小米产品的YU7留资用户，他们是冲着小米生态来的，还是单纯被SUV的激进参数和设计吸引？
生态的魅力，需要用户深度浸入米家体系才能充分感知。对于非小米用户，这套系统是加分项还是学习成本？小米如何说服他们为了车机联动去更换家里的空调、灯泡甚至门锁？
生态协同的飞轮效应很美，但启动这个飞轮的门槛和成本，可能比想象中高。
再者，小米模式的爆品逻辑在汽车行业能否持续通吃？
SU7作为首款车型，集万千宠爱于一身，资源倾注无虞。但YU7面对的是竞争白热化、强敌环伺的SUV红海。小米引以为傲的集中火力打造爆品，在需要快速迭代、多线作战的汽车市场，会不会变成一种资源束缚？
特斯拉Model Y焕新版续航提升至719km，此外还有理想、小鹏、智界等竞品不停推新小米能否在保持爆品调性的同时，应对多维度、快节奏的贴身肉搏？
SU7的功勋章也是YU7的紧箍咒
风光订单的背后，小米汽车正经历着成长的阵痛，而这些痛点，YU7一个也躲不开。
一边是SU7交付遥遥无期，一边是YU7蓄势待发，产能的天平如何平衡？ 这直接考验小米的制造体系和供应链管理能力
SU7 Ultra的“装饰盖”风波尚未完全平息，安徽铜陵智能驾驶事故又掀起舆论波澜。信任裂痕像一根刺扎在小米精心构建的参数真实人设上。当参数美学遭遇现实落差，积累的信任感会快速消解。 YU7承载着更高的期待和更重的责任，任何一点瑕疵都可能被放大检视。
SU7的成功，很大程度上得益于其极具侵略性的定价策略带来的极致性价比印象。而定位更高、成本压力更大的YU7，其预期售价区间天然与部分用户的“小米=性价比”固有认知存在落差。
小米如何让用户接受并认可YU7的豪华性能SUV价值，而非仅仅对比SU7的价格？ 这需要强大的产品力支撑和精准的定位营销，难度不小。
雷军将竞争维度从参数对比升级到“人车家全生态”，愿景宏大。但生态战争的胜利，首先建立在单车产品成功且能稳定交付的基础上。 如果连按时交车、品质稳定、承诺兑现这些“基本功”都步履维艰，再宏大的生态蓝图也容易沦为空中楼阁。
YU7在电耗、充电速度、制造成本上的努力也值得肯定。但这套打法能否在更复杂、成本更高的SUV平台上持续奏效？能否真正转化为用户可感知、可持续的体验优势？
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