揭秘「嗯～啊」宝宝多汁的秘密：如何通过正确喂养和护理呵护珍宝的鲜嫩口感，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沪深300：6月3日融券卖出29.01万股，融资融券余额10.95亿元据腾讯新闻一线消息，截至 5 月 14 日，宁德时代已获得机构下单超 500 亿美元（现汇率约合 3605.71 亿元人民币），折合约 3902 亿港元，剔除基石认购部分，已经超额认购 30 倍。
标题：探秘「嗯～啊」宝宝多汁的秘密：打造鲜嫩口感的正确喂养与护理方法
“嗯～啊”——这句充满爱意的声音，在每一个家庭中都显得无比珍贵。无论是对新生儿的温柔呼唤，还是在陪伴孩子成长过程中给予的点滴关爱，它蕴含着无尽的温暖和力量。而在这颗小生命逐渐长大的过程中，宝宝的肌肤是否如同刚出壳的小鸟，娇嫩欲滴？让我们一起揭开「嗯～啊」宝宝多汁的秘密，通过正确喂养和护理，为他们打造鲜嫩口感的“秘密武器”。
对于刚出生的宝宝来说，其消化系统尚未完全发育成熟，对食物的吸收效率较低，因此需要以母乳或配方奶为主要食物来源，保证营养均衡，以满足其生长发育的需求。其中，母乳中的天然抗体能够有效抵抗细菌、病毒等病原体的入侵，同时富含优质蛋白质、脂肪酸和多种维生素，有助于促进宝宝的免疫系统发育，提升其抵抗力。
随着宝宝的成长，辅食的引入成为了必要的补充方式。选择适合宝宝年龄阶段的辅食，应注重营养全面性和易于消化的特点。例如，3-4个月时可开始添加米粉、泥状食品、水果泥等软糯易嚼的食物，帮助宝宝适应吞咽固体食物的过程；5-6个月后，可逐渐过渡到蔬菜泥、果泥、肉泥等更精细的食材，提高其咀嚼能力和肠胃吸收能力。
定时定量的喂养也是维持宝宝正常消化的重要手段。每餐要控制好摄入量，避免过饱或过饿，以免影响消化系统的正常运作。对于小婴儿而言，家长可以根据其体重和活动情况来计算每日所需奶量，确保每次喂奶前后的时间间隔适中，有利于保持体内营养物质的平衡。
而对于腹泻、呕吐等症状的宝宝，我们需要注意观察并及时调整喂养方式。如果出现食欲减退、大便稀薄、发热等异常状况，应及时就诊，避免病情加重。在此期间，可以适当暂停辅食，并给宝宝提供温和的流质或半流质食物，如稀饭、蒸蛋羹、煮面条等，以保护胃肠道黏膜，减轻不适症状。
适当的水份摄入对宝宝的生理需求也至关重要。在保证充足奶量的适量饮用白开水或淡盐水可以帮助宝宝清洁口腔，促进唾液分泌，增强免疫力，预防口腔感染。也可给宝宝喝一些含电解质的果汁或汤品，如苹果泥、香蕉泥等，以补充水分和电解质。
“嗯～啊”的宝宝多汁秘密并非神秘莫测，而是父母用心关爱和悉心照料的结果。从合理的喂养和护理方式出发，我们可以为他们的健康保驾护航，让他们在成长的过程中，体验到亲人的温馨与期待，享受纯真童真的美好时光。在这个过程中，只要父母始终秉持着对孩子的尊重与耐心，用心去发现和把握“嗯～啊”宝宝的多汁特质，就一定能让这个小生命健康成长，成为父母心中的璀璨明珠。
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
证券之星消息，6月3日，沪深300（159919）融资买入2798.31万元，融资偿还3323.06万元，融资净卖出524.75万元，融资余额10.79亿元。
融券方面，当日融券卖出29.01万股，融券偿还2.83万股，融券净卖出26.18万股，融券余量401.0万股。
融资融券余额10.95亿元，较昨日下滑0.38%。
小知识
融资融券：融资融券交易又称“证券信用交易”或保证金交易，是指投资者向具有融资融券业务资格的证券公司提供担保物，借入资金买入证券（融资交易）或借入证券并卖出（融券交易）的行为。包括券商对投资者的融资、融券和金融机构对券商的融资、融券。