换新视角：聊聊啊学长带领的探秘新天地——文字与图片的奇妙融合，童星出身林颖彤近况曝光！离巢TVB后转战网店创业，曾因为官非停工一年看似无害的提问，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6月8日，湖南慈利县龙潭河镇人民政府通报：6月7日，龙潭河镇竹峪村党支部书记卢志富在“龙潭河镇竹峪村溇澧同心”微信群发表不当言论，引发舆情，造成不良影响。经镇党委研究，决定对卢志富同志作出停职检查的处理。
在信息爆炸的时代，科技的发展使得我们的生活变得更加便捷和丰富多彩。其中，以互联网为代表的数字化技术正在不断地改变着我们的学习方式和认知世界的方式。其中，一位有着丰富科研经验和独特见解的学者——啊学长，凭借他独特的文字与图片的奇妙融合，引领了我们探索一个全新的知识领域——探秘新天地。
啊学长，他是一位专注于研究人工智能、大数据和机器学习领域的资深学者。他的工作充满了创新性和挑战性，他常常运用新颖的技术手段来揭示自然界的奥秘，并将其转化为可用的知识模型和实践应用。在他的研究中，图像数据占据了一席之地，这也是他探究新天地的重要路径。
在他的一次学术报告中，他分享了一个极具启发性的故事。在一个炎热的夏天，他和他的团队前往一片茂密的森林进行研究。他们使用无人机拍摄了大量的植物照片，这些照片中的细节丰富多样，涵盖了从茎叶到花朵的各个层次。由于森林光线条件复杂，如何将这些图像转换为可读和易于理解的文字描述却成为了他们的难题。
于是，阿学长提出了一个大胆的想法：利用计算机视觉技术和深度学习算法，让无人机拍摄的照片直接转化为文本描述。他先设计了一种基于深度卷积神经网络（CNN）的图像识别系统，该系统可以从图像中提取出关键特征，如纹理、形状和颜色等，从而判断出照片所属的类别或层次结构。然后，他将这个系统部署在无人机上，当无人机飞行到森林中时，它会自动对周围的环境进行采集，同时通过内置的深度学习模块，将收集到的数据输入到识别系统中。经过一段时间的训练，系统能够准确地识别并给出各种植物的照片及其描述。
这种新的图像转换方法不仅极大地简化了数据处理和分析的过程，而且极大地提高了图像识别的精度和效率。据阿学长介绍，他的系统可以在几秒钟内从一张复杂的森林照片中提取出大量的文字描述，并能准确地描述出照片中的植物种类、数量以及生长状态等重要信息。这对于植物保护和科学研究来说，无疑具有重要的实用价值。
啊学长还提出了一种新的知识获取方式——图文结合的学习模式。他认为，传统的知识获取往往依赖于单向的阅读和记忆，而图文结合的学习模式则打破了这一局限，使学生可以通过直观的图像资料，更深入地理解和掌握知识内容。比如，在教授物理课程时，学生们可以通过观看实验视频，了解物理现象的本质原理；而在讲解生物学概念时，他们可以通过图像展示细胞的结构和功能，增强对抽象概念的理解。
可以说，啊学长用他的文字与图片的奇妙融合，为我们打开了一个新的知识探索领域——探秘新天地。他的研究成果不仅极大地提升了人类的生产力和创新能力，也为我们提供了更为直观和生动的认知工具。在这个日益信息化的世界，啊学长的故事启示我们，无论是在科研还是生活中，拥有创新思维和跨界视野，都将成为我们应对挑战和实现梦想的关键因素。让我们一起期待更多像啊学长这样的学者，用他们的智慧和勇气，开辟更加广阔的知识世界，开启一段段崭新的探索之旅。
童星出身的小花林颖彤去年的时候已经宣布和TVB完约，之后开始以自由身的身份在娱乐圈发展，不过她的曝光度明显大不如前，而且影视作品的数量也是急剧减少，为此粉丝们也是颇有微言。
近日，林颖彤难得公开亮相，她现身一个活动，活动中的她穿着蓝色针织上衣搭配短裤，扎了一个丸子头，身形看起来依旧很火辣，想来私下也有积极进行身材管理。
林颖彤的五官还是一如既往的精致，她的脸圆圆的，看起来有点婴儿肥，虽然上镜不占优势，但是却吸引了不少宅男粉丝。
活动中林颖彤全程都表现的很专业，而且介绍自己的时候也是落落大方，结束后不少媒体都争相采访她，希望了解其近况。
显然从林颖彤的言谈间看得出，近一年来她的生活还是比较充实且忙碌的，虽然减少了幕前的工作，但是自己创立的网店生意却经营的有声有色，这个网店还处于起步的阶段，之前林颖彤在这方面没有什么经验，好在有得到亲友的支持。
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