张天爱被多人伦轩视频：网络暴力的又一案例令人争议的观点，难道我们不该思考其合理性？，对立双方的观点，未来会给予怎样的启示？
近年来，在网络上，“张天爱被多位网友轮番侮辱”的事件持续发酵。这一事件发生于近日，让公众再次见证了网络暴力的威力和潜在影响。在一次与粉丝的互动中，张天爱遭到了众多网络用户的恶意侮辱和攻击，这些言论包括但不限于低俗词汇、人身攻击以及诽谤等。其中，一些网民更是以恶意猜测、恶意取笑甚至是针对个人私生活和家庭背景进行肆意捏造和贬低，使得张天爱的形象和名誉遭受严重损害。
据相关媒体调查，此次事件的起因主要源自一次社交平台上的一场线上直播活动。参加直播的张天爱在互动时，与部分网友产生了争论和争议，因此引发了大量负面评论和谩骂。其中，一些人则利用自己的专业知识和丰富的网络知识，对张天爱进行恶搞和无端猜测，甚至出现了对于其家庭背景、健康状况和婚姻状况的不实指控。这种行为不仅违反了基本的道德规范和社会公序良俗，也破坏了网络环境的和谐氛围，给张天爱本人及其家人带来了巨大的精神压力和心理创伤。
面对网络上的负面舆论，作为公众人物和社会领袖，张天爱一直秉持着积极正面的态度，并始终关注社会公正和平等问题。她坚决反对任何形式的网络欺凌和人身攻击，并多次发表声明，呼吁广大网民尊重他人尊严和合法权益，同时也要加强自我保护意识，提高道德素质和法律素养，共同营造一个充满正能量、尊重他人的网络环境。
这次事件警示我们，网络暴力不仅是对受害者个体的侵害，也是对整个社会文明进步的一种挑战。我们需要正视网络世界的复杂性和多元化，充分理解和尊重每个人的权利和自由，建立有效的网络治理机制和法律法规，加大对网络欺凌者的处罚力度，促进网络空间的健康发展和社会的和谐稳定。我们也需要引导广大网民树立正确的网络观、价值观和人生观，通过积极倡导积极向上的网络文化，形成共享共建的良好风尚，为构建网络世界的美好未来贡献力量。
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