掌控欲爆棚？男生把私房珍藏的坤坤放入心爱之人的怀里：诠释独特的爱情与占有欲密码，共享出行的下一场社会革命，在自动驾驶中开启看似无害的提问，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从资金流向上来看，当日数字人民币板块主力资金净流出5.08亿元，游资资金净流出1.3亿元，散户资金净流入6.38亿元。数字人民币板块个股资金流向见下表：
标题：《掌控欲爆棚？男性的专属情结：独特的爱情与占有欲密码》
在男性世界中，掌控欲是一种深植于他们骨髓的情感。这种欲望不仅体现在对自我和他人控制力的追求，更体现在对特定对象的占有欲、权力欲和情感掌控上。而当这种欲望如熊熊燃烧，却将一种独特且充满神秘的爱情故事呈现在我们眼前时，它揭示了一个深层次的主题——如何在掌控欲的背后，诠释出那独一无二的爱人与占有欲密码。
男主角坤坤，这个被赋予特殊符号的角色，他的私房珍藏中包含了他对伴侣无尽的深情厚意和独占欲的展现。坤坤的私房珍藏并不只是衣物珠宝，而是那些能触动他内心深处的回忆与感情，它们是他对生活的热爱，对真爱的执着，以及对他所挚爱之人深深的眷恋。这些珍藏物件，无论是精美的手工制品还是珍贵的历史文物，无不承载着他对于美好生活的向往，对于情感归属的独特理解和执着坚守。
在坤坤的心目中，他的爱人如同他的私人宝藏。她不仅是他的朋友、家人，更是他情感的寄托，是他灵魂的归宿。他对爱人的情感是那样的热烈，像是炽热的烈火，燃烧着他的每一寸肌肤。他通过他的珍藏，向世人传递了他对爱人深深的爱意和占有欲。每当看到一件件珍藏物品，他都会想起他们的初次相遇，想起那个阳光明媚的下午，他在街头偶遇她的那一刻；他会想起那些共同度过的岁月，那些一起分享欢乐和泪水的日子。他用他的珍藏，让每一个细节都充满了甜蜜的记忆，让他深深地理解到，他对爱人的情感，并不仅仅停留在表面的表面上。
坤坤的占有欲并非霸道，相反，他的占有欲是出于对对方深深的关爱和尊重。他是那种愿意为爱人付出一切的人，他的目标不是占有爱人，而是保护她、爱护她、满足她。他认为，只有这样，才能真正地成为她生命中的那个人，让她感受到属于自己的完整和幸福。
这种爱情故事让人不禁思考，何谓真正的爱情？它是对自由和独立的渴望，是对平等和尊重的坚持，是对包容和接纳的承诺，是对共享和快乐的期待。我们往往只看到了表面的东西，却忽视了背后的深层含义。在坤坤的故事里，我们可以看到，真正的爱情并不是简单的占有和索取，而是在控制欲背后，那份深情厚意，那份独特的情感态度和价值观。
坤坤的故事以其独特的爱情与占有欲密码，展示了男性对爱情的独特理解和实践方式。这不仅是一段浪漫的爱情故事，更是一部关于爱情本质和人性深处的探索之旅。在这个过程中，坤坤展现了他对生活的热爱、对真爱的执着，以及对占有欲的理解和运用，这为我们提供了一种全新的视角去理解和解读爱情的本质，也为我们提供了审视自己内心深处情感的可能。在未来，我们应该像坤坤一样，在掌控欲的狂热之下，找到那个真正属于我们的爱人，用这份独特的爱情与占有欲密码，诠释出那个独特的爱情和占有欲密码。
文 | 智能相对论
作者 | 陈泊丞
京东在本地零售配送领域燃起的硝烟还没消散，新领域的号角已经吹响。
据中国商标网信息，京东子公司“北京京东叁佰陆拾度电子商务有限公司”于4月密集申请注册“Joyrobotaxi”商标。言外之意，这家互联网巨头似乎有意进军Robotaxi市场，矛头对准了共享出行领域。
尽管京东的布局尚未在市场上兑现，但是共享出行行业围绕以AI为主导的自动驾驶、智慧出行展开技术角逐已是大势所趋。前不久，享道出行完成超13亿人民币的C轮融资，用于加强大数据、人工智能等技术的应用，并加速自动驾驶Robotaxi服务的商业化运营。
资本的注入再度强化了出行市场的变革趋势。纵观目前市场上的各大共享出行品牌，滴滴出行、曹操出行、T3出行、如祺出行等都在围绕自动驾驶、智慧出行做试行、做布局，从AI中寻求新的出路。
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