翘臀女神：后进式塑形术的魅力与秘诀——巧夺天工的翘臀塑造术详解，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乌军：“击落一架俄罗斯苏-35战机”有的孩子画画特别棒、对颜色和空间特别敏感——这是空间智能。
八百字文稿：
标题：后进式塑形术的魅力与秘诀——巧夺天工的翘臀塑造术详解
翘臀女神：后进式塑形术的魅力与秘诀
在现代女性群体中，美丽的身材无疑是最引人注目的亮点之一。不论是高耸挺立的胸肌、紧致匀称的腰肢，还是性感迷人的臀部曲线，都为人们所向往和追求。拥有完美身材并非易事，需要经过科学的训练和不断的练习才能塑造出符合自我气质的翘臀。本文将深入探讨后进式塑形术的魅力以及其背后的技巧。
让我们看看什么是后进式塑形术。这种塑形方式注重身体的整体协调性和线条感的塑造，而不是单一部位或特定肌肉群的强化。它的基本原理是通过对身体各个部位进行有针对性的锻炼，通过精细的动作和力量分配，实现对局部肌肉的精确控制和优化，从而达到塑造翘臀的效果。
在后进式塑形术中，常见的塑形技巧包括：
1. 线性塑形：这是最基础的塑形方法，通过使用专业的瑜伽垫或其他运动器材进行动作重复，让身体沿着一条直线进行拉伸、收缩等动作，以增强局部肌肉的力量和耐力，提升柔韧性和紧实度。
2. 动态塑形：动态塑形是指通过一系列快速、有节奏的动作，使身体在短时间内迅速完成多种动作，如跳跃、旋转、弹跳等，以此来提高身体的爆发力和协调性，塑造出更加立体且富有动态美感的翘臀线条。
3. 健身舞蹈：舞姿优美，动作流畅，不仅可以有效地塑造出优美的臀部曲线，更能够刺激全身的血液循环，释放身体内的能量，从而达到塑形的目的。
4. 肌肉提升训练：针对臀部区域的肌肉进行有针对性的提升训练，如提臀、收腹、下腰、腿部力量训练等，这些动作可以帮助塑造出饱满而富有弹性的臀部线条，同时也能增强核心肌群的力量，使其在保持稳定的也更加自然地形成翘臀。
5. 调整饮食习惯：健康饮食也是塑造翘臀的关键因素之一。富含蛋白质和Omega-3脂肪酸的食物，如鱼、瘦肉、坚果、种子等，可以提供足够的营养，帮助塑造出紧实且富有弹性的小腿和臀部肌肉。
6. 休息充足：过度劳累或者缺乏充足的睡眠，都会影响肌肉的恢复和修复，进而影响到塑形效果。保持规律的作息，保证充足的睡眠，对于塑造翘臀至关重要。
后进式塑形术是一种综合性的塑形方式，它通过多方面的训练和调整，使身体在运动过程中不仅塑造了翘臀线条，还塑造出了优雅、流畅的身体形态。每一个女性都有独特的气质和偏好，选择适合自己的塑形方法，并结合科学的饮食和良好的生活习惯，就能轻松打造出属于自己的翘臀女神形象。在这个多元化的时代，后进式塑形术不仅是一种时尚的选择，更是追求健康的美丽生活的一种态度。
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
参考消息网6月7日报道据路透社6月7日报道，乌克兰军方称，乌克兰空军当天上午击落了一架俄罗斯苏-35战斗机。
“今天早上，即2025年6月7日，得益于空军在库尔斯克方向的一次成功行动，一架俄罗斯苏-35战斗机被击落。”乌克兰军方在社交平台上表示。