少年包青天3：热血激荡的第10集在线震撼放送——身手敏捷化身正义之剑！，李在明正式开启总统任期，将寻求朝韩对话看似无害的提问，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美军航母在结束演习后离开红海，这艘航母在红海长达8个多月的部署，到底经历了些什么？伊朗遭到以色列的战争威胁，为何非要扯上美国呢？
标题：少年包青天3：热血激荡的第10集在线震撼放送——身手敏捷化身正义之剑！
在《少年包青天》第三部系列中，“身手敏捷化身正义之剑”这一章节，以精彩的武打动作和引人入胜的故事剧情，再次将观众带入了一个热血沸腾、正义如虹的时代。这部剧集以10集的形式，通过生动的描绘，揭示了少年包拯的英勇无畏与坚韧不拔，以及他带领人民面对各种邪恶势力时的坚定信念和智慧勇气。
在这一集中，包拯成功破获了一起复杂的案件，其中的关键线索藏在一张地图上。为了揭开这张地图背后的秘密，包拯和他的伙伴们必须身手敏捷、智勇双全。他们的对手是狡猾的盗贼，他们身着黑衣，手持长剑，行动迅捷，令人胆战心惊。但无论环境如何恶劣，包拯都始终保持着冷静和理智，他的身手敏捷使得他们在一次次生死关头都能找到出路，甚至破解了对方的密道，成功将宝藏带回京都城。
与此包拯还面临着来自皇上的威胁。皇帝因为嫉妒包拯的聪明才智和卓越功绩，派出了强大的暗探来寻找他的下落。面对这种危机，包拯并没有被吓倒，反而凭借他的智谋和勇敢，巧妙地运用手中的武器和智慧，对抗了敌人的暗算。在一次激烈的战斗中，他不仅成功击败了暗探，还解救了被囚禁的皇后，展现了真正的英雄气概和忠诚担当。
在这个过程中，包拯不仅展现了他的个人魅力和英勇精神，也展示了中国传统的道德观念和社会责任。他始终坚信正义能够战胜邪恶，用实际行动践行了“仁义礼智信”的儒家伦理价值观，他的公正无私和对弱者的同情心赢得了人们的尊敬和爱戴。他的团队也展现了团结协作、共克时艰的精神风貌，他们相互支持、互相帮助，共同面对困难和挑战，为正义事业奋斗到底。
《少年包青天3：热血激荡的第10集在线震撼放送——身手敏捷化身正义之剑》是一部充满激情、热血和智慧的武侠电视剧，它以独特的叙事方式，生动的人物形象和扣人心弦的故事情节，充分体现了中国传统文化中的英雄主义精神和社会责任感，是一部值得广大观众反复观看的经典之作。让我们期待下一集更加精彩的故事，一起见证少年包拯的成长，感受正义的力量，领略人性的美好！
新华社
韩国中央选举管理委员会4日上午召开全体会议，正式确认共同民主党候选人李在明当选第21届韩国总统，李在明随即开启其总统任期。
中央选举管理委员会4日发布的计票结果显示，在本届总统选举中，李在明的得票率为49.42%，国民力量党候选人金文洙的得票率为41.15%，改革新党候选人李俊锡的得票率为8.34%。
韩国于3日举行总统选举。3日深夜，多家韩国媒体表示，李在明当选总统“已成定局”。4日凌晨1时36分，金文洙承认败选，并向李在明表示祝贺。
李在明4日凌晨来到汝矣岛国会前发表讲话，对国民表示感谢。他说，要团结国民，当前最明确的任务是复苏经济、恢复民生。他还表示，将寻求韩朝对话、共存和共同繁荣的道路。
本届选举是韩国自1987年宪政改革以来第二次在总统缺位情况下选举总统，当选总统无交接期，在选举结果正式确定后立即履职。
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