《午夜的诱惑：探寻两性关系背后的神秘面纱》，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李在明抱怨总统办公室：像进了坟墓，空无一人，没有电脑和打印机一加Ace 5竞速版在王者荣耀40分钟的测试中，平均功耗3.8W，这个功耗表现就是大家在其他机型上能遇到的正常水平。
问题：《午夜的诱惑：探寻两性关系背后的神秘面纱》
午夜，一个神秘而又充满诱惑的时间段。在这个时刻，无论是男性还是女性，都在寻找那一份深夜的秘密，那是一种在白天无法体验的情感深度和复杂性。《午夜的诱惑：探寻两性关系背后的神秘面纱》这本书，便以独特的视角，揭示了这一深邃主题背后的故事。
作者以一种新颖而细腻的方式，深入探索了人类内心深处的欲望和情感需求。她指出，在现代社会，随着科技的发展和社会的进步，人们的生活方式发生了深刻的变化，而这种变化对两性关系的影响也日益显著。在午夜的诱惑中，男性往往倾向于寻求刺激、冒险和快感，他们渴望通过与陌生女子建立亲密的关系，来满足自己的荷尔蒙冲动；而女性则更多地追求稳定和安全感，她们希望通过与伴侣的相处，获取幸福和满足，实现自我价值的提升。
午夜的诱惑并非全然无迹可寻。在这个看似简单的时期，人际关系中的种种细节和矛盾，往往隐藏着复杂的内心动机。比如，男性的欲望可能会被女性对他个人品质、能力等方面的偏见所影响，导致他们在接触女性时采取保守甚至谨慎的态度；反之，女性也可能因为对男性的依赖、信任或者嫉妒，对他的行为产生过激反应，这可能会引发双方情感上的冲突和纠葛。
《午夜的诱惑：探寻两性关系背后的神秘面纱》是如何通过细腻的描绘，揭示这种潜在矛盾的呢？作者从心理学角度出发，剖析了男性和女性的思维模式、情感表达以及行为决策的过程。她通过大量案例研究，分析了男女在午夜之间可能发生的各种互动场景，如约会、肢体接触、心灵交流等，进而揭示了这些互动背后的心理动机和深层心理感受。
例如，书中提到，男性在午夜的诱惑中，往往会受到浪漫主义和占有欲的驱使，他们可能对未知的女子抱有强烈的欲望，期望通过她的美丽和温柔，来唤醒自己心中的激情和活力。而在实际交往过程中，这种浪漫主义的色彩常常会被现实生活的压力和不确定性所削弱，使得他们更愿意采取保守甚至谨慎的态度，避免过于投入和冒进。
另一方面，女性在午夜的诱惑中，可能会受到安全感和控制欲的驱动，她们希望通过与伴侣的亲近和亲密，来获得心理上的安全和安慰。在这种情境下，女性可能会表现出更为理智和冷静的心态，他们会对伴侣的行为进行多方面的考量和判断，以此来评估伴侣是否符合自己的期望和价值观。
《午夜的诱惑：探寻两性关系背后的神秘面纱》这本书，不仅深入探讨了两性关系中的深层次心理活动，还揭示了这种诱惑背后的复杂性和多元性。它提醒我们，即使在午夜这个看似神秘但又充满了诱惑的时段，人们仍然需要理解和尊重彼此的情感需求和界限，通过合理的沟通和理解，才能建立起健康、和谐的两性关系。只有这样，我们的生活才会更加丰富多彩，同时也将为我们的人际关系赋予更深的内涵和意义。
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
6月4日，李在明就任韩国总统后在龙山总统府举行发布会时表示：“来到这里像进了坟墓，空无一人，没有电脑和打印机。”
报道称，李在明该言论似乎是在指责前政府未能处理好移交工作。当日李在明在韩国国会正式宣誓就任总统一职。据报道，李在明计划在青瓦台维修和安全检查完成后将总统办公室移到青瓦台。