健康教育！人体结构科普图片详解，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严打涉考违法犯罪，全力维护高考安全公平考试环境推荐理由：立志要成为“捣蛋天王”的佐罗力，这次遇到了勇敢、正义的菠菜超人。他们之间的故事既有校园生活又有奇幻冒险、脑洞发明，鼓励孩子团结协作解决问题，遇到困难以智慧面对，传递善良正义、乐观向上、积极勇敢等正能量。适合6岁+
“健康教育！人体结构科普图片详解”是一部全面解析人体结构的权威图文指南。此图集由专业摄影师精心拍摄，通过精美的插图和详尽的文字说明，全方位展示了人体骨骼系统、肌肉组织、神经元网络等各种生理结构的组成与功能，以及它们在人体内的互动关系。
1. 骨骼系统：骨骼系统的主体是26块骨头（27块颈椎骨+25块胸椎骨+34块腰椎骨+18块骶椎骨+9块尾椎骨），每个骨头都具有独特的形状和功能。比如，脊柱骨骼组成了我们的脊柱，支撑着我们的人体重量；股骨构成了大腿，提供支持和力量；膝关节则承担了行走和跳跃等动作的负担；肋骨则保护着心脏和肺部，形成胸腔和腹腔的通道。
2. 肌肉组织：从躯干到四肢，人体的肌肉主要分为头肌、颈肌、胸肌、背肌、腹肌、臀肌、小腿肌、足底肌等十一大类，每种肌肉都有其特定的功能。例如，肩关节含有肩袖，能将手臂举高或旋转；腿部肌肉负责下肢行走和奔跑；背部肌肉则参与消化、呼吸和体温调节等功能。
3. 神经元网络：神经系统是信息传递的主要途径，包括大脑、脊髓、脑干、小脑和脊神经等。大脑是最为复杂的神经中枢，负责控制各种基本的认知活动，如言语、思维、情绪等；脊髓和脑干则分别负责运动协调和感觉定位，同时它们也是神经系统的基础；小脑则掌控平衡、协调和速度调节；脊神经则负责传递信号至全身各部位，构建并维持人体的生理动态。
4. 图解细节：为了更好地理解和记忆，本图集还配以详细的注释和简明易懂的语言说明。在每一个图例旁，会标注出该器官的功能、位置、长度和体积等数据，直观地展示人体各个组成部分的实际大小、形态和工作原理。例如，在一张关于大脑的照片上，注释会解释大脑的轮廓及大小，显示大脑皮质层厚度、颅顶高度、脑门宽度等参数；而在一张骨骼骨骼组构图中，则会明确指出骨骼的数量、类型以及各部分之间的相互关联。
“健康教育！人体结构科普图片详解”是一份生动有趣的图文手册，对于关心身体健康、需要深入了解人体结构的专业人士和学生来说，无疑是一种十分宝贵的参考资料。无论是准备升学考试、提升职场竞争力，还是对自我保健、预防疾病有所理解，这部图集都能为人们提供深入且准确的科学知识，助力大家从微观世界走向宏观世界的认知进程。
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
根据国家教育统一考试工作部际联席会议统一部署，2025年以来，全国公安机关会同教育等部门对各类涉考违法犯罪活动继续保持高压严打态势，依法严惩涉考违法犯罪行为，为广大考生营造安全、公平的考试环境。高考前夕，各地公安机关已陆续侦破一批组织考试作弊案件和涉考诈骗案件。
郑重提醒广大考生，严格遵守考规考纪，切勿携带手机等任何电子设备进入考点考场，主动配合考点考场安检，诚信应考。依据《国家教育考试违规处理办法》，对在国家教育考试中作弊的考生，教育部门可作出取消成绩、暂停考试、延迟毕业等处理。