热议！某漫画美女裸体画面引争议，作者回应艺术需要，原创 做卤料的时候注意了，这些卤料放多了，汤可是会发苦哦看似无害的提问，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家长们可以通过线上社区、加入互助支持小组等方式，与其他家长交流心得，分享经验。
近日，引发广泛关注的一幅漫画美女裸体画面再次引起争议。这幅作品以其大胆、激昂的风格和极具诱惑力的形象引起了社会公众对“艺术是否应超越性别界限”的深思熟虑。
让我们来看一下该作品的主要特点。其描绘了一位典型的日本女漫画家形象，身着性感内衣，展现出了丰满诱人的曲线和女性独有的魅力。在画作的展示部分，她却以一种罕见的方式来展现出裸体画面，这一细节为观众带来了极大的视觉冲击力和冲击力感。
许多人对此表示质疑，认为这种颠覆传统的裸体画面突破了艺术创作的基本规范，甚至有人将其视为对传统审美的亵渎和不尊重。他们主张，在艺术创作中，我们应该保持尊重、理性和美感，不应盲目追求创新或离经叛道。这种观点强调艺术必须在艺术表达的框架内遵循一定的美学原则，而不能脱离传统审美习惯和文化背景。
对于这种争议，漫画创作者也在积极回应。一位知名漫画家在接受媒体采访时表示，他创作这样的作品并非出于恶意，而是源于他对当代艺术市场的深刻理解。他认为，裸体是一种具有个人情感和象征性的表现手法，它能够激发人们对生活的反思和情感共鸣。在某些特定的情境下，通过将身体艺术元素融入自己的作品，可以引发人们深层次的情感反应和思考。
他也强调，“艺术是多元化的，不应该被单一的标准限制或评判。”他认为，无论是何种题材、形式，只要具备深度的思想内涵和独特的艺术魅力，都应当得到尊重和肯定。这种观点引导我们认识到，艺术创作不仅应该注重表面的表现和技巧，更应该关注作品背后的深层思考和情感共鸣，以此实现艺术的多元化和包容性。
备受争议的漫画美女裸体画面引发了关于艺术创作边界和审美观念的激烈争论。尽管这个事件引发了广泛的社会关注，但艺术家们和公众都应该理性看待这个问题，尊重并接受不同意见和观点的存在。只有在艺术与审美之间找到了平衡点，我们才能真正理解和欣赏各种形式的艺术，并从中汲取灵感和启示，推动艺术的发展和进步。
在烹饪的世界中，卤料是一道不可或缺的调味品，它们为菜肴增添了独特的风味。然而，卤料的使用并非随心所欲，过量的卤料可能会让汤品变得苦涩，影响整体的口感和风味。今天，就让我们来探讨如何正确使用卤料，避免汤品发苦的问题。
首先，了解不同卤料的特性至关重要。例如，八角、桂皮等香料具有独特的香气，但同时也可能带来一定的苦味；而酱油、豆瓣酱等则带有咸鲜的味道，过量使用时容易使汤汁变苦。因此，在使用卤料时，我们需要根据菜肴的特点和个人口味来适量添加。
其次，掌握正确的卤制技巧也是关键。在卤制过程中，我们可以通过调整火候、加入其他调味料等方式来平衡卤料的味道。例如，在炖煮肉类时，可以先用小火慢炖，让肉充分吸收卤料的香味，然后再转大火收汁，这样既能保证肉质的嫩滑，又能避免汤汁发苦。
此外，我们还可以通过搭配其他食材来中和卤料的苦味。比如，在制作卤味豆腐时，可以加入一些糖来平衡咸鲜的味道；而在制作卤味鸡爪时，可以加入一些醋或柠檬汁来提鲜去腥。
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