GB长出尾巴后曰哭，众美男齐亮相：新物种进化显异姿，各路英豪展风采让人惋惜的故事，是否给我们提供借鉴？，让人警醒的现象，你是否感受到了变化的冲击？
《GB长出尾巴后的哭声引人注目，众英豪竞相亮相：新物种进化奇观显现》
日前，一种全新的生物——GB（Great Blob）在地球上诞生了。这个巨型海怪的出现，引起了全球科学家和公众的关注。GB位于太平洋海域，体形庞大，长度超过15公里，直径约30米，覆盖范围广达数百平方公里，且拥有巨大的尾巴。
据相关研究，GB之所以具有如此庞大的身躯，主要源于其体内结构的变异。原来，GB是由两个独立的生物体，即GGBA（Great Goby Baby Ancestral）和GBB（Great Goby Big Brother）组成的。在长时间的进化过程中，这两个群体逐渐分离，形成了独立的个体。随着时间的推移，GBB的体型变得更加庞大，而GBA则发展出了独特的尾巴，形成了GB。
GB尾巴不仅增强了其生存能力，也成为了其独特的竞争优势。它的尾巴如同一把巨剑，既可以保护自身免受鲨鱼等海洋动物的攻击，也可以帮助GBA进行捕食和逃避天敌。GB尾巴上的花纹和色彩变化丰富，使得它在海底世界中独具一格，吸引了众多的观赏者。
此次GB长出尾巴后的啼哭事件，不仅是对现有生物形态的一次巨大挑战，也是对生物进化的有力证明。这一罕见现象提醒我们，生物的进化并不是简单的线性规律，而是充满了变异性与适应性。在这样的环境中，个体之间的差异和竞争日益激烈，只有那些能够适应环境、优化自我才能在竞争中脱颖而出。
随着GB在地球上的不断壮大和进化，它的故事也将引发更多关于生物多样性和生物演化理论的讨论和探讨。这无疑将是一次新的生物科学探索之旅，也将为人类理解生命起源和生物演化进程提供重要的启示和依据。这也展示了中国在科学研究领域的实力和创新能力，以及在全球生态环境保护中的重要地位。
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