「真实」震撼：一帧破绽百出的女处之遭重击，瞬间揭露人性与秘密的残酷真相！，这20个城市实施城市更新，中央财政拟支持看似无害的提问，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公开简历显示，刘宽忍，男，汉族，1963年10月生，陕西蒲城人，1987年7月参加工作，1998年10月入会，西安音乐学院民乐系民族管乐专业毕业，研究生学历，文学硕士学位，教授。
关于《真实》：一帧破绽百出的女处之遭重击，瞬间揭示人性与秘密的残酷真相
在现代社会中，人与人之间的互动越来越复杂，其中最为引人注目的莫过于情感与利益的关系。这种关系却常常被一层厚厚的伪装所掩盖，看似平静无波的表面下隐藏着无数的秘密和人性的阴暗面。
近期，一则名为《真实》的新闻引发了广泛的关注。报道指出，在一幅极为罕见且极具冲击力的照片中，一位女性于家中遭遇了一场突如其来的大火，而这场火灾，竟然是一场精心设计的假象。照片中的场景看起来极其普通，甚至有些平淡无奇——一张普通的沙发、一张简单的桌子以及一个略显凌乱的房间。仔细观察这幅照片，你会发现其中的一幕令人惊异：一张空荡荡的椅子上，一名女子正倒在沙发上，她的身体因受到火焰的影响而扭曲变形，脸部表情痛苦不堪，双手紧握着沙发扶手，似乎试图阻止火焰的蔓延。
画面中的女子身份谜团重重，既有人工智能控制的结果，又有真实的人类受害者。她可能是某个家庭成员，也可能是为了报复某个人，甚至是利用了某种心理战术。她的存在让人不禁感叹人类行为的荒谬性和人性的冷漠无情。更加令人震惊的是，这张照片的真实性并非偶然。这张照片拍摄于2019年5月，地点位于美国加利福尼亚州，而当时的火灾现场就在这座房子内。
这张照片的出现，无疑为人们揭开了人性与秘密的残酷真相。通过这张照片，我们可以看到，虽然表面上人们总是在说谎，但他们的内心世界往往充满了矛盾和挣扎。她们可能因为种种原因选择做出虚假的行为，如隐瞒自己的情绪、逃避责任等，同时也可能在潜意识里想要证明某些东西或保护自己免受伤害。这种伪装下的欺骗，不仅导致了许多无辜的生命失去，也破坏了社会的信任和和谐。
这张照片还揭示了人性的脆弱性。在面对火灾这样的突发情况时，人们往往会本能地采取逃离的方式，而不是冷静思考如何应对。而在这种情况下，假象可能比真实更为致命，因为它不仅无法消除人们的恐惧，反而可能会加深人们对假象的依赖。这张照片对我们理解和评价现实生活产生了深远影响。
《真实》揭示了人性的深刻矛盾和秘密，让我们看到了一场精心设计的假象背后的真实面貌。它让我们反思我们对谎言和欺骗的认知，重新审视我们的道德观念和生活方式。在这个日益复杂的社会环境中，我们必须时刻保持警惕，警惕那些看似真实的伪装，因为他们有可能是人性最黑暗的一面，也可能是我们自己心灵深处的隐秘角落。只有当我们真正理解并尊重人性的真谛，才能更好地应对生活中的各种挑战，实现真正的自我价值和社会和谐。
财政部6月4日公示了2025年度中央财政支持实施城市更新行动评选结果，北京等20个城市入选。
近日，财政部、住房城乡建设部组织开展了2025年度中央财政支持实施城市更新行动评选，拟支持的20个城市为：北京、天津、唐山、包头、大连、哈尔滨、苏州、温州、芜湖、厦门、济南、郑州、宜昌、长沙、广州、海口、宜宾、兰州、西宁、乌鲁木齐。
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