扶她女同：3D无尽深渊探索——沉浸式女性互助体验，韩国第21届总统选举计票工作启动看似无害的提问，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高额的利息对于美国政府来说，是一个不小的压力，如果美国照这种还债的进度下去，美债的本金可能会出现雷打不动的情况，什么时候能还清，谁也说不好。
《3D无尽深渊探索：沉浸式女性互助体验》
在虚拟现实技术的推动下，“扶她女同”这一概念逐渐进入大众视野。这种全新的女性互助体验，将现实与虚拟世界完美融合，为女性群体提供了一个独特的互动平台。
在这个3D无尽深渊探索中，参与者通过佩戴VR头盔和手柄，置身于一个充满未知、挑战与机遇的奇幻世界。角色扮演不再是单一性别间的竞争，而是两个或多个人共享同一身份和情感的交流。在游戏中，每一个女性玩家都能体验到从无助到互助再到成长的情感旅程，无论是在面对困境时的求助，还是在追求梦想时的合作共进，都可以在无尽的深渊中得到内心的满足和力量。
这种沉浸式的交互方式打破了传统性别界限，使得女性不再被限制在单一的家庭或社交圈子，而是能够在虚拟世界中与其他女性建立深厚的友谊和感情连接。她们可以在游戏中共同探讨社会问题，分享各自的生活经验，甚至解决现实生活中的困难。这种深度合作与互助不仅提供了实际的帮助和支持，更是鼓励了女性之间的相互理解、信任和支持，塑造了一种平等、开放、包容的社会环境。
“扶她女同”的3D无尽深渊探索也为我们打开了一扇认识女性潜力和魅力的新窗口。它让女性在虚拟世界中找到了自我表达、实现价值的方式，同时也激发了她们对世界的热爱和责任感。这种创新的互动体验展示了女性的力量和韧性，也为社会树立了积极向上的榜样，引导更多的女性参与到公益活动中来，一起构建更加美好的未来。
“扶她女同”的3D无尽深渊探索无疑是一次对女性互助理念的深度实践和丰富诠释，它不仅改变了传统的性别观念，更推动了女性在虚拟世界中的自我认知和情感成长。这一崭新的女性互助体验，有望成为未来社区建设、人际交往和社会公正的重要推动力量，为打造一个更加公平、和谐、多元化的社会贡献力量。
中新网首尔6月3日电 (刘旭 崔锦宁)韩国第21届总统选举投票3日20时结束，计票工作随后在全国254个计票站相继启动。
当地时间3日晚间，工作人员在首尔大学一大选计票站内开展计票工作。当天20时，韩国第21届总统选举投票结束，计票工作随后相继启动。中新网记者 刘旭 摄
当地时间3日晚间，工作人员在首尔大学一大选计票站内开展计票工作。当天20时，韩国第21届总统选举投票结束，计票工作随后相继启动。中新网记者 刘旭 摄
据韩媒报道，本届大选投票率为79.4%，比上一届(77.1%)上升2.3个百分点，创下1997年以来韩国总统选举最高投票率。
当地时间20时30分左右，中新网记者抵达韩国首尔大学的一处计票站外，看到工作人员正有序将票箱送入计票站。计票站内摆有数十张长桌。数百名工作人员正准备开展计票工作。随后，工作人员将选票倒出票箱，该计票站开始计票。
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