掌控实力强劲的Jvid黄昕妍：从歌手转型舞者，演绎现代舞曲力量与情感深度，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习近平向韩国当选总统李在明致贺电值得一提的是，在这次的测试中，两个大模型使用了同一个Prompt，DeepSeek-R1-0528 生成了728行，而Claude-4-sonnet生成了542行。
标题：掌控实力强劲的Jvid黄昕妍：从歌手转型舞者，演绎现代舞曲力量与情感深度
在中国华语流行乐坛中，有一位极具影响力的女歌手和一位备受瞩目的舞者，他们不仅在音乐界独树一帜，更以其独特的才华和强大的实力，在现代舞曲的领域中展现出了无限魅力。她就是被誉为“当代舞王”的Jvid黄昕妍。
Jvid黄昕妍出生于1975年，从小就展现出对舞蹈的热爱和天赋。她毕业于上海戏剧学院音乐系，并在大学期间学习了音乐理论和声乐表演，之后转为舞蹈专业，主修现代舞和爵士舞。她的音乐才华与舞蹈才能完美结合，使她在大学期间便在各类舞蹈比赛中崭露头角，赢得了广泛的关注和赞誉。
毕业后，Jvid黄昕妍以优异的成绩考入北京电影学院，攻读电影学院导演系。在这所高等学府，她进一步深化了自己的舞蹈训练，将古典芭蕾、爵士舞、现代舞等多种风格的舞蹈元素巧妙融合，形成了自己独特的舞蹈风格——Jvid黄昕妍现代舞。
Jvid黄昕妍的作品深受大众喜爱，其现代舞曲以其强烈的节奏感和情感深沉的表达，展现了舞者的独特视角和内心世界。她的音乐作品涵盖了流行、摇滚、电子等多种音乐类型，每一首歌曲都充满了活力、激情和想象力，深受年轻观众的喜爱。例如，《星河》、《不凡之路》等都是她的代表作，这些歌曲不仅旋律优美，歌词深入人心，更是通过现代舞曲的形式，传达出对生活、爱情、梦想等主题的深刻理解和感悟。
除了音乐创作，Jvid黄昕妍还在舞蹈方面做出了显著的贡献。她擅长各种现代舞形式，如肢体语言表达、身体控制、空间布局等，她的舞台表现力和艺术感染力备受好评。在她的现代舞剧中，她能够深入挖掘舞蹈的情感内涵，将音乐与舞蹈完美地交融在一起，让人们感受到舞蹈的力量和情感深度。
近年来，Jvid黄昕妍在影视、舞蹈等多个领域都有出色的表现，她的成功证明了一位优秀的舞者不仅可以唱歌、跳舞，还可以用音乐和舞蹈来表达自我、触动人心，同时也能够在不同的舞台上展现出自己的独特魅力。她的故事告诉我们，只要有决心和毅力，无论在哪个行业，只要具备深厚的舞蹈功底和丰富的艺术修养，就一定能够创造出属于自己的辉煌篇章，掌控实力强劲的Jvid黄昕妍，正是这样的例子。
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
新华社北京6月4日电 6月4日，国家主席习近平致电李在明，祝贺他当选韩国总统。
习近平指出，中韩互为重要近邻和合作伙伴。建交33年来，双方超越意识形态和社会制度差异，携手并进、相互成就，实现两国关系平稳健康发展，不仅增进了两国人民福祉，也为促进地区和平稳定和发展繁荣作出积极贡献。