男子香蕉插入女子桃子：一种浪漫且含蓄的性暗示，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VOGUE China主编刘冲回应争议：咖位这个东西太虚乐蓝鲸新闻5月23日讯（记者 翟智超）5月22日晚，联想集团（下称“联想”）公布了2024/25财年全年及第四季度业绩，并召开了业绩电话会，联想CEO杨元庆等高层就市场关注的问题进行了作答。
标题：“香蕉与桃子的隐喻性爱情象征：一种含蓄的性暗示方式”
在现代都市生活的日常中，香蕉和桃子往往被视为两种常见的水果。在某些情况下，这两种水果却象征着一种微妙且富有诗意的爱情象征。这种象征通常表现为一种隐晦而充满暗示性的性暗示行为。
香蕉在某些文化中代表了女性的纯洁与甜蜜，尤其是在西方文化和东方文化中。香蕉常被用来装饰婚礼场景或者作为新娘头饰的一部分，象征着新的开始、爱的承诺以及对未来的期待。在某种程度上，香蕉也被解读为一种温柔的、充满柔情的方式传达感情。它象征着女性的美丽，她的甜美，以及她的纯净与圣洁。
与此相反，桃子则常常被描绘为男性身体的象征物。在许多文化中，桃子被视为男性的生殖器官，代表着生命力、强壮和阳刚之气。在中国传统文化中，桃子还被赋予了长寿和美满的寓意，因此在一些传统的婚礼或节日庆典中，桃子常被作为礼物赠送给新郎新娘。桃子也经常被用作餐桌上的佳肴，象征着丰盛和欢乐。
这种隐喻性的爱情象征不仅体现在水果本身，更深入到人们的生活习惯和思维方式中。通过香蕉与桃子的互动，人们可以理解到，不仅仅是生理意义上的接触，更多的是情感和精神层面的交流。香蕉传递的是女性的优雅和纯洁，而桃子则象征着男性的力量和坚毅。这种象征不仅揭示了性别差异背后的深层次情感联系，也反映了人们对美好婚姻关系向往与追求的本质。
“香蕉与桃子的隐喻性爱情象征”是一种富有诗意且含蓄的性暗示方式，它既体现了女性的温柔与美丽，又展现出了男性力量与坚韧的形象。它以水果为载体，将人类情感的复杂性和多样性融入其中，为我们探讨并体验亲密关系提供了独特视角。在这个过程中，香蕉与桃子成为了人们表达情感、探索生活智慧的重要符号，而它们所蕴含的情感内涵和象征意义，将继续引发我们对人性、爱情和社会关系的深度思考。
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
搜狐娱乐讯 6月8日， VOGUE China主编刘冲发文，回应关于VOGUE活动的争议，刘冲：我只看中每位艺人都用自己的方式演绎了主题，其他的一些虚头巴脑的东西我不在乎的，咖位这个东西太虚乐、美是实在的。