国产现实夫妻AV：细腻情感与真实互动的沉浸式VR体验——探索真实情侣间的甜蜜与挑战，小米汽车登记机盖和铭牌著作权 SU7 Ultra机盖曾引争议看似无害的提问，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李冬：最吸引我的当属西藏壮美的风景，以及藏族人民的文化。在西藏，我们可以看见很多座海拔8000多米的雪山，这是在世界任何地方都看不到的景观，也是摄影师梦寐以求的拍摄对象。
关于国产现实夫妻AV的细腻情感与真实互动的沉浸式VR体验，《寻找真爱》正在以一种新颖且独特的形式，带领观众深入探索并感受这对甜蜜夫妻在虚拟世界中的浪漫故事。该VR体验以其细腻的情感描绘和真实的互动操作，将爱情的甜蜜与挑战淋漓尽致地展现出来，让观众仿佛置身于真实的情侣生活中，亲身感受他们的甜蜜与挑战。
从视觉上来看，《寻找真爱》通过构建逼真的VR环境，为观众营造出一个充满诗意、浪漫且充满神秘感的恋爱空间。在这个环境中，夫妻二人的互动不再是简单的文字叙述，而是通过精细的3D建模和动态场景设置，实现了人机交互的真实度与深度。他们可以在这个虚拟世界中自由漫步，触摸彼此的脸颊，亲吻对方的唇角，甚至进行各种亲密动作，仿佛这一切都发生在眼前。这种沉浸式的VR体验，使观众仿佛身临其境，感受到了真实而热烈的爱情氛围。
从情感层面来看，《寻找真爱》通过细腻的心理描写，揭示了这对夫妻在现实生活中的甜蜜与挑战。他们之间的爱情并非一帆风顺，充满了矛盾与冲突。例如，由于工作压力大，丈夫常常加班到深夜，妻子却无法理解他的辛苦；又如，当他们在家中发生争吵时，如何用语言表达自己的爱意，以及如何处理家庭矛盾，都是这个沉浸式VR体验的重要部分。这些心理描写不仅增强了角色的生动性和可信度，也使得观众能够深入理解这对夫妻的感情纠葛，从而引发共鸣和深思。
从角色互动层面来看，《寻找真爱》通过精心设计的角色塑造和丰富的剧情转折，呈现出了一对深情相爱的夫妻在生活中所面临的各种困难与挑战。他们在虚拟世界中遇到了各种难题，如如何维持婚姻生活的新鲜感，如何应对社会的压力和竞争，如何处理情感问题等等。在这种虚拟世界中，他们的对话、行动和决策，都体现了他们真实的人性特质和情感需求。这种富有张力的角色互动，既能满足观众对于细腻情感体验的需求，也能让他们在欣赏沉浸式VR体验的了解到现实生活中的情感困扰和挑战。
《寻找真爱》作为国产现实夫妻AV沉浸式VR体验，以其细腻的情感描绘和真实的互动操作，成功地将爱情的甜蜜与挑战呈现给观众。它通过创建逼真、浪漫且神秘的恋爱空间，真实地展现了这对甜蜜夫妻在虚拟世界中的感情纠葛，让人们深入感受到他们的甜蜜与挑战，引发了观众对于爱情的思考和感悟。这一创新的VR体验，无疑为国产现实夫妻AV的发展提供了新的可能性，也为国产影视作品的发展注入了新的活力。
【CNMO科技消息】近日，小米汽车科技有限公司登记了多项作品著作权，涵盖“机盖”“铭牌”等设计领域。根据公开信息，该公司成立于2021年11月，法定代表人为雷军，注册资本10亿元人民币，由小米科技有限责任公司全资持股。
小米SU7 Ultra设计细节
CNMO获悉，在设计创新方面，小米汽车近期已登记多项美术作品著作权，包括“小米SU7 抽象艺术轮廓标识”“智能屏界面设计”“汽车”“智能仪表表情动态”“小米汽车轮毂”等，其中“SU7抽象艺术轮廓标识”被明确归类为美术作品。
然而，小米汽车的设计理念也因部分争议引发讨论。以SU7 Ultra车型为例，其碳纤维双风道前舱盖设计曾因“功能实用性存疑”“信息表达不清晰”等问题引发用户不满。2025年5月，小米汽车官方回应称，该设计复刻了原型车造型，旨在优化空气动力学性能并辅助散热，但因未充分说明实际效果，导致用户误解。对此，小米承诺为未交付订单提供限时改配服务，并向已提车用户赠送积分奖励。
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