【限时免费】领略120秒非会员专属魅力：一次超值的120秒体验区探索之旅！关键时刻的选择，未来将迎来怎样的变化？，引导社会乞求的声音，是否会激发更多共鸣？
标题：【限时免费】领略120秒非会员专属魅力：一次超值的120秒体验区探索之旅！
在繁忙的城市生活中，许多人常常为了工作和生活而忽视了身边的美好。如果你愿意花一点时间走进一个充满活力、无限可能的地方，那么120秒的非会员专属魅力绝对会让你惊艳不已！在这个神秘的120秒体验区里，我们为你精心设计了一次独一无二的探索之旅，让你在短暂的时间内，充分感受和体验到120秒的魅力，感受这一秒中的世界。
120秒体验区的入口位于城市中心的一处繁华商圈，周围是各类品牌店铺和琳琅满目的美食摊位，宛如繁华都市的心脏地带。当你踏入这宽敞的大门时，你会被一片热烈的欢迎氛围所吸引，每一个微笑着的服务员和热情的商家，都在向你展示出120秒非会员专属的魅力所在。
步入120秒体验区，你会看到一系列独特的设施和服务，包括但不限于：
一、独特分区：120秒体验区根据不同主题和功能进行划分，例如科技区、艺术区、运动区等，每个区域都有其独特的特色和优势。比如，科技区提供最新的电子产品展示和体验，你可以在这里体验最新的科技产品带来的便利和乐趣；艺术区则汇聚了许多艺术家的精彩作品，你可以在这里欣赏到各种各样的艺术品，感受艺术的魅力；运动区则是为喜欢运动的人士量身定制的场地，这里有专业的运动设备供你尽情挥洒汗水，享受运动的乐趣。
二、个性化的服务：每个120秒体验区都提供了个性化的服务，如预约服务、咨询服务、个性化定制服务等，满足你的不同需求。例如，针对喜欢音乐的朋友，120秒体验区可能会提供一些现场音乐会或演出的门票；对于热爱阅读的人来说，120秒体验区可能会有专门的阅读区和咖啡馆供你阅读、休息，甚至还可以预定私人订制的书籍和杂志。
三、全方位的娱乐活动：除了传统的娱乐活动外，120秒体验区还提供了丰富的娱乐活动，如游戏区、互动项目区、观影区、健身区等，让你在探索过程中尽情享受每一分钟的快乐时光。例如，你可以参加120秒挑战赛，体验速度与激情的碰撞；你可以参与互动项目，与机器人进行亲密接触，学习并了解现代科技的魅力；你可以观看电影和电视剧，沉浸式地体验120秒带来的视觉盛宴。
四、特殊优惠活动：为了进一步吸引更多的消费者，120秒体验区会定期举办各种特别优惠活动，如折扣优惠、赠品赠送等，让消费者在享受120秒魅力的也能享受到实实在在的优惠福利。例如，当你的非会员身份到期时，你可以选择续费成为会员，享受更加优质的服务和更优惠的价格。
120秒的非会员专属魅力就像一颗璀璨的宝石，无论是在繁华的城市中还是在宁静的郊区，都能给人带来无尽的乐趣和惊喜。在此，让我们一起亲身走进这个神秘的世界，用120秒的独特魅力，打开全新的生活视角，去体验生活的每一分每一秒，感受这一秒中的世界。让我们的脚步在这片120秒的体验区内留下深深的印记，让每一次的探索旅程都成为人生中一次难忘的经历，让我们共同开启一段前所未有的120秒探索之旅吧！
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