元宵佳节换母闹：苏语棠苏娅深情演绎《元宵闹》视频温情上演，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湖北阳新一校车与重型货车发生碰撞后侧翻，22名小学生受伤16+256GB：3099元（国补2634.15元）
下面是一篇关于苏语棠和苏娅在元宵佳节以深情演绎《元宵闹》视频的情景叙述：
元宵佳节的夜晚，月光洒满大地，温暖如水。在这个属于团圆与欢笑的日子里，苏语棠和苏娅这对母女共同守候着这个温馨的时刻，她们的心中充满了对彼此深深的爱意和期待。
当电视屏幕上缓缓出现《元宵闹》这首熟悉的歌曲时，苏娅的目光立刻被它吸引住了。她的眼神里闪烁着对母亲的深深眷恋，那是对过往岁月的怀念，也是对家庭温暖的向往。而与此苏语棠也不禁被这动人的旋律所感染，她的脸上洋溢出幸福的笑容，仿佛整个世界都陷入了甜蜜的氛围之中。
随着音乐的节奏，苏娅的母亲苏语棠开始以女性特有的柔情蜜意诠释这首曲子。她的嗓音清澈、婉转，每一个音符都在讲述着关于元宵节的故事，每一句歌词都充满了情感的波动。她的表演充满了细腻的情感层次，既有欢快的情绪，也有深沉的思念，完美地展现了《元宵闹》的魅力所在。
苏语棠的女儿苏娅则在一旁静静地看着妈妈，她的眼神中充满好奇和欣赏，她的眼睛是那么清澈，那么纯净，像一颗明亮的星星，照亮了妈妈的脸庞。她的眼角流转出复杂的光影，仿佛是对妈妈的倾诉，也仿佛是在感受妈妈每一次的表演。
当苏娅的小手轻轻握住了苏语棠的手，那一刻，所有的紧张和不安都被这份母女之间的亲情所化解。他们的眼神交汇在一起，相互支持，相互鼓励，共同营造了一个无比温馨、和谐的家庭氛围。他们的笑声在空气中回荡，就像一首美妙的交响乐，洋溢着欢乐的气息。
随着《元宵闹》的结束，苏娅和苏语棠紧紧拥抱在一起，他们的笑容如同花朵般绽放，充满了无尽的喜悦。这是母女之间的一次难忘的相聚，是亲情的盛宴，也是爱情的升华。他们用实际行动告诉全世界，无论何时何地，只要有爱，就有家的感觉，这就是母女间的真情。
通过这次深情演绎的《元宵闹》，苏语棠和苏娅不仅向观众展示了自己独特的艺术魅力，同时也展示了母女间深厚的情感纽带。在这样一个特殊的日子，她们用自己的方式传递了一份深情厚意，让每个人都能感受到家庭的温暖和亲情的力量。这是一个关于母爱、亲情和团圆的感人故事，更是苏语棠和苏娅母女二人最美好的回忆。在这个元宵佳节，让我们一起记住这场温情的演绎，记住那份来自母爱的伟大和无私。
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
湖北省黄石市阳新县教育局发布通报称，6月3日早晨，该县黄颡口镇发生一起交通事故。事发后，县委、县政府高度重视此事，并成立工作组对事故进行核处。
经查，当天早晨6时50分许，鹿某某（男，46岁，江苏省徐州市贾汪区）驾驶皖LF3796重型自卸货车行驶至S203省道与X043县道交汇路口时，与明某某（男，58岁，阳新县富池镇人）驾驶的鄂B6A528校车发生碰撞，造成校车侧翻，车上1名司机、1名老师和22名小学生不同程度受伤。
事故发生后，当地政府、学校和医疗救护等部门有关人员第一时间赶赴现场救援，迅速将受伤人员送到医院检查、治疗。经诊疗，4名学生需住院治疗，其他20名伤者均为软组织受伤留院观察。所有伤者伤情平稳，无人员死亡。目前，事故的原因调查和相关善后工作正在同步开展。