四月里的深深情，丁香花如火般燃烧——体验那份浓烈的深爱与五月的浪漫之情，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vivo S30 Pro mini影像深度测评：氛围感直出的艺术训练营聘请了西南大学具有丰富经验和专业资质的心理学专家、正念训练师以及教育专家。
四月的春风里，沉醉在丁香花的香气之中，那是世间最动人的爱情之歌。在这繁星点点的夜晚，漫步于公园的小径，那一串串丁香花如同火焰一般，在微风中摇曳生姿，热烈而又不失优雅，仿佛在诉说着那份深深的爱意。
每当我走在那条铺满丁香花的小路上，那种浓郁的香味总会让我感到心中一阵暖流涌起，那是爱情的味道，是深情的眼神，是炽热的心跳。那是一种无法用言语形容的情感，它像春天的雨露滋润着我的心田，也像夏天的阳光温暖着我的生活。那一刻，我仿佛看到了爱情的美丽，感受到了爱的力量，体会到了那份深深的情。
丁香花不仅是我心中的一道美丽的风景线，更是我对爱情的一种独特表达。它的香气清醇而独特，像是爱情的甜蜜，像是爱情的芬芳，让人陶醉其中，无法自拔。每当看到那一朵朵盛开的丁香花，我都会想起那个他，那个她，那个我们一起走过春夏秋冬，一起分享生活的酸甜苦辣的人。他们就像这丁香花一样，无论是在春日的田野上，还是在夏日的海滩边，他们都是一道独特的风景，为我们的爱情增添了一份浓厚的色彩。
这种深深的爱并不只是停留在视觉上的欣赏，更是在行动上的体现。在日常生活中，他们会共同承担起家务活，相互扶持，共同面对生活的挑战和困难。他们会在空闲时间一起看喜欢的电影，或是去公园散步，一起分享彼此的生活点滴。他们的爱不仅仅是简单的陪伴，更是情感的交融，是心灵的交流，是人生的意义。
五月的来临，正是丁香花开的季节，也是我们爱情故事最为深刻的时刻。那天，我们在公园的湖边，手牵手，看着那漫天繁星，听着那丁香花如火般的燃烧声，心中充满了对未来的期待和对爱情的憧憬。那一刻，我深深地爱上了他，也爱上了这份深深的爱，我知道这就是我对他的爱，一种深藏心底，无法割舍的感情。
丁香花的香气，是他给我的爱的象征；五月的蓝天，是他给我的爱情的见证；而我，就是那被他点燃的丁香花，将这份深深的爱，永恒地烙印在心底，成为我生命中最美好的记忆。我相信，这份深深的爱，会一直伴随着我，直到永远，直至生命的最后一刻。
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
在智能手机影像领域，vivo S30 Pro mini以其独特的影像主张和卓越的硬件配置，为用户带来了一场前所未有的视觉盛宴。
这款手机不仅继承了vivo S系列一贯的美学追求，更在影像方面实现了全面升级，尤其是其“氛围live直出人像”的理念，让人像摄影不再局限于简单的记录，而是成为了一种情感的传递和艺术的表达。
vivo S30 Pro mini配备了全系5000万索尼超级潜望长焦与超防抖大底主摄，这样的配置在同级别手机中堪称豪华。
在实际拍摄中，无论是远处的风景还是近处的细节，都能被清晰捕捉，色彩还原准确，动态范围宽广。而新增的三大经典氛围感胶片色彩滤镜，更是为照片增添了几分复古与文艺的气息，让人仿佛置身于那个特定的场景之中，感受到照片背后的情绪与故事。
值得一提的是，vivo S30 Pro mini的实况模式也带来了全新的体验。用户可以拍摄出具有电影感的实况照片，并添加多种电影氛围感特效，让每一张照片都如同电影截图一般，充满故事感和动感。此外，该手机还支持实况照片的拼图处理，用户可以根据自己的喜好，将多张实况照片组合成一幅完整的画面，进一步提升了创作的自由度。