【老少皆宜】探秘古老tube文化：揭秘居家小宝与长者共享的老年生活乐趣，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原创 小米16系列再次被确认：3x暗光潜望+轻量化模组，9月份发布点评：这一并购交易金额庞大，将对宏创控股的业务布局和发展方向产生重大影响，需要关注后续交易进展及影响。
我所描述的这篇文章将探索一种古老且独特的生活方式—— Tube Culture。tube，英文名为 Tube，源自于早期欧洲的煤气管系统，它在现代社会中被重新定义和发挥着重要的作用。这种生活方式以家中的小型燃气管道为基础，为老年人和儿童提供了一种安全、便捷、舒适的生活环境。
居家小宝与长者共享tube文化的起源可以追溯到工业革命时期，当时，由于蒸汽机车的普及，大量的家庭开始使用煤气管作为供暖和烹饪的燃料。随着时间的推移，Tube逐渐演变成为一种独特的家庭生活习惯，尤其是在欧洲地区，尤其是在英国，Tube Culture的流行程度尤为明显。这是一种充满活力和创新精神的生活模式，旨在通过充分利用煤气管这一古老的设施，提高生活的便利性和生活质量。
在Tube Culture中，年轻的家庭成员通常会通过燃气管道供应室内温度和热量，为家人和宠物提供舒适的居住环境。而长者则依赖于这个管道系统来享受日常生活中的宁静与舒适，例如做饭、洗澡和阅读等。这种共享的方式使得tube成为了家庭生活中不可或缺的一部分，不仅保证了老人的生活品质，也为年轻人提供了观察长辈生活方式的机会，促进了他们的社会适应能力和人际交往能力的发展。
tube文化的魅力主要表现在以下几个方面：它降低了能源消耗，减轻了对化石燃料的依赖，有助于环保和可持续发展。tube是人们日常生活中不可或缺的部分，无论是烹饪、取暖还是娱乐，都可以在家中轻松实现。tube Culture也鼓励家庭成员间的交流和互动，通过共同使用的燃气管道，他们不仅可以增进相互之间的了解，还能培养出良好的沟通技巧和团队协作意识。
tube文化的普及并不容易，尤其是在一些经济条件较为困难或老龄化严重的地区。在这种情况下，政府和社会组织需要采取措施，如提供财政补贴或税收优惠，以降低tube文化的初期投入成本，并促进其推广和普及。教育机构也需要加强tube文化知识的学习和宣传，让更多的人了解到tube文化的价值和意义，从而推动tube文化的进一步发展和完善。
tube Culture是一种既能满足老年人生活需求，又能激发年轻一代创新精神的家庭生活方式。它既保留了传统的家居理念，又融入了现代科技元素，展示了人与自然和谐共生的美好愿景。tube Culture的成功实践证明，只要我们敢于尝试、勇于创新，就一定能够创造出一个既温馨又富有活力的老年生活社区，让每一个人都能在其中找到属于自己的快乐和幸福。
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
在智能手机屏幕尺寸不断膨胀的当下，手机屏幕尺寸与形态都开始发生改变，比如小屏设计、直屏设计，逐渐和大家见面。
虽然小屏机往往因物理空间限制，电池容量捉襟见肘，且硬件配置也很难得到大幅度提升，但随着工艺提升，效果已经逐渐提升。
尤其是小米手机，旗下的数字系列这几年真的带来了很大突破，不仅外围规格很强，就连续航能力也在提升。
重点是随着时间的推移，小米16系列再次被确认了，无论是影像能力还是续航能力，又或者是发布时间，都悬念不大了。
从小米16来说，其核心定位极其鲜明——打造一款真正意义上的顶级小屏旗舰，因此摒弃了当下主流旗舰普遍采用的6.7英寸或更大屏幕，回归经典的6.3英寸规格。
这一尺寸在确保足够视觉信息量的同时，最大程度优化了单手握持操控的舒适度与便捷性，且祭出了“轻量化模组”这一关键技术。
笔者猜测，通过精密的结构重构与创新材料的应用，对内部核心元器件进行了大幅度的减重和体积优化。
在这种操作下，续航能力上也得到了很大幅度的提升，据说电池容量一举跃升至6800-7000mAh区间。