中国影视新势力！XXXXXWWWWW，带你探索未知领域引发共鸣的故事，未来能否唤起众人力量？，引领变革的思想，是否应该引起大家重视？
中国的影视新势力，以独特的视角和创新的表现手法，引领着华语电影市场的全新发展。从近年来如《哪吒重生》、《长津湖之水门桥》以及《三体》等口碑炸裂的作品中，我们见证了中国科幻电影的爆发力与影响力。
这些作品不仅在剧情设计上独具匠心，人物塑造深入人心，更在视觉特效、剧本创作等方面独树一帜，展现了中国电影人在技术上的突破与成熟。影片中的特效团队在保证观赏体验的巧妙地运用虚拟现实、增强现实等现代科技手段，打造出令人惊叹的真实感和沉浸式观影体验。而剧作家们则深入挖掘传统文化元素，构建出既具有浓厚中国风又具有国际视野的叙事框架，使得故事在展示传统文化魅力的也引人深思当代社会的发展与人类命运的主题。
中国影视新势力亦注重对社会现象和社会问题的关注。例如，《哪吒重生》通过讲述一个普通少年为救家人挺身而出的故事，深刻剖析了家庭观念、个人责任和人性良知等诸多复杂议题；《长津湖之水门桥》聚焦抗美援朝战争的历史背景，再现了中国人民浴血奋战的壮丽场景，传递出坚韧不拔、爱国奉献的精神力量；《三体》则通过宏大的宇宙背景下设定的人类文明探讨，揭示了科技与文化、生与死等哲学命题，引发观众对未来的广泛思考。
在这个多元化的影视舞台上，中国影视新势力不仅展现了当代中国青年的热情与才情，也为世界影坛注入了勃勃生机。他们用镜头描绘出一幅幅生动的画卷，通过艺术表达呈现出了中国精神风貌的魅力，并在全球范围内引起了热烈反响，赢得了广泛的赞誉与尊重。未来，中国影视新势力将继续秉持创新驱动、跨界合作的理念，挖掘和传播更多反映新时代精神面貌、富有感染力的优质作品，为中国电影市场持续输出更具影响力的影视文化成果，助力我国影视产业的发展，实现更高的艺术水平和商业价值。
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