超模漫画角色「小舞」遭爆羞涩尺度争议引热议！，原创 霸气！疑似边境视频曝光:我军士兵咬着手雷拉环与印军对峙看似无害的提问，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股份有限公司、广州国资旗下广州开发区投资集团有限公司以及中国华电集团资本控股有限公司共同持股，其中南方电网通过自持及旗下6家子公司持股，合计持有鼎和财险65%股权。
超模漫画角色「小舞」因被曝出其羞涩尺度争议引发广泛关注。据称，该角色在漫画中扮演一位身材娇小的女性，以各种俏皮、诱惑的动作和眼神表现出一种轻熟女性的魅力，但近期却因尺度问题引发了舆论的质疑。有人认为，虽然漫画展现的是自由、无拘无束的形象，但在某些细节设计上过度暴露可能会导致观众不适或产生性暗示，同时也可能对低龄群体造成不良影响。一些专业人士也指出，漫画作为一种艺术形式，其创作和展示需要遵循一定的社会规范和法律法规，不能肆意违反道德与法律底线。
对此，漫画制作者和发行方表示将进行深入调查并进行修改。他们强调，作为一款娱乐作品，漫画中的角色设定旨在通过塑造个性鲜明、生动活泼的人物形象，吸引年轻读者群体的兴趣。他们在描绘角色时，必须考虑到尺度、性别特征等因素，确保内容的适度性和合理性。他们也会加强自我约束，遵守相关法规，以保护读者权益和树立良好的社会形象。
值得注意的是，这一事件并未排除漫画本身的艺术价值和创意创新的可能性。对于那些热爱漫画、追求个性化表达的创作者来说，这无疑是一次宝贵的经验教训，提醒他们在创作过程中既要注重艺术性，也要考虑公众接受度和社会价值观。与此这也促使我们重新审视漫画在文化传承和发展中的定位和作用，引导行业朝着更加健康、积极的方向发展。未来，在保证艺术品质和尊重公众审美需求的我们应该鼓励漫画创作者创新思维，探索更多可能性，创造出既富有美感又符合主流价值观的作品，为人们带来更多的审美愉悦和情感共鸣。
近期在互联网社交平台上传出了一则几分钟的视频，根据视频的发布者介绍，这是我国西藏南部某边境区域发生的一件事情。视频的原拍摄者属于印度边防军，他们在巡逻的过程中，发现了两名落单的解放军士兵，随后便准备上前盘问。
然而在这个过程中，其中一名解放军士兵，居然直接用嘴咬住手雷的拉环，并且以这样的姿势与印度的士兵进行简单的交流。
此举让印度的边防士兵非常的震撼，要知道在这种情况下，一旦遇到极端问题，我们的这名士兵随时可以拉响手雷，与对方同归于尽。
这个视频并没有对当时的情况进行详细的介绍，不过在笔者看到视频中的内容之后，大为震撼。要知道我国和印度在过去很多年里，在边境地区一直存在着一些矛盾和争议，并且发生过多次冲突。印度的边防军三番五次对我们的边界地区进行骚扰，我军对于印度的边防力量一直保持高度的警惕。所以在视频中也能够看到，我们的士兵在发现印度军队接近之后，第一反应就是做好了这种“同归于尽”的准备。！
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