警官Gary挑战极限：超大型跑男视频挑战，展现专业与勇气！社会动态下的机会，难道不配引起我们的重视？，不容小觑的威胁，未来会有如何的影响？
关于警官 Gary 挑战极限：超大型跑男视频挑战的新闻引人注目，他的故事充满了专业和勇气。这位资深警察以其坚韧不拔的精神和精湛的体能技能，成功地在一场堪称史上最庞大的跑男视频挑战中展现出非凡的专业素养和无畏的勇气。
随着全球对健身和运动的重视程度日益提高，跑男这类节目越来越受到观众的喜爱。传统的跑男模式下，参赛者通常只有一人参与，且其难度往往局限于小型跑步或短距离冲刺。此次 Gary 承诺挑战的最大规模——百米马拉松跑男，无疑是一次前所未有的创新尝试，它将考验参赛者的身体素质、耐力、爆发力以及团队协作能力等多个方面的综合表现。
作为一名经验丰富的警官， Gary 把这次挑战视为一次对自己的全面锻炼机会。他在接受采访时曾表示：“我热爱工作，但我更注重生活品质，我希望通过这种方式，更好地保持健康的身体状态，并挑战自我。”他坚定的决心和积极的态度，无疑是对这项挑战的极大信心来源。
在百米马拉松赛场上， Gary 面对的是一个充满挑战性的环境。赛道上遍布着各种障碍物，包括陡峭的山峰、密集的人群等，这对于任何一名运动员来说都是一种巨大的压力。对于 Gary 来说，这些困难并没有让他退缩，相反，他以一种冷静、专注的态度应对每一个挑战。
在比赛中，他不仅需要全力以赴地奔跑，还需要具备高超的技术手段，如跳跃、攀爬、转身等动作都要在短短百米的距离内完成，这无疑是对运动员体力和心理能力的一次严峻考验。他还需要与其他队友密切配合，形成强大的团队力量，共同克服困难，最终冲过终点线。
为了保证比赛的顺利进行， Gary 将团队训练作为主要战术策略。他组建了一支由五名经验丰富的队员组成的精英队伍，他们经过长时间的高强度训练，积累了丰富的实战经验和技巧，能够在关键时刻发挥关键作用。他也会定期组织个人训练，不断调整自己的竞技状态，提升跑男视频挑战中的专业水平。
Gary 的百米马拉松跑男挑战展现了他专业的警官身份与极高的毅力和勇气。在这场看似不可能完成的比赛过程中，他凭借卓越的体能和技术实力，不仅成功打破了传统跑男挑战的界限，也为世界体育领域树立了一个新的里程碑。这一事件向我们展示了，无论是在日常工作中还是在挑战极限的赛事中，只要有决心、有信念、有毅力，就一定能够创造属于自己的辉煌篇章。而这位警官 Gary 的挑战精神，无疑成为了激励人心的力量源泉。
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