私立女子学院纪实：独特教育模式下的成长故事，原创 不到24小时，普京开始报复，俄发起斩首行动，乌克兰将逆袭？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业内专家分析，我国持续畅通货币政策传导机制，完善利率调控框架，通过下调政策利率及结构性货币政策工具利率，强化利率政策执行，带动存贷款利率下行。
私立女子学院以其独特的教育模式在全球范围内引起了广泛的赞誉。这个学院位于一个现代化的城市中心，以满足那些寻求高级教育和个性化指导的女孩的需求而设立。其教学设施全面且先进，包括现代化图书馆、实验室、体育馆、多功能厅以及先进的计算机教室。学校特别注重培养学生的实践能力和批判性思维，为此设置了丰富的课程体系，涵盖了各领域的知识，如艺术、科学、商业、工程、文学和体育。
在这所女子学院中，学生有机会在一个包容性强的环境中学习，并与来自世界各地的教师和同学互动交流。教师团队由经验丰富的专业人士组成，他们具备专业知识和卓越的教学技巧，旨在为学生提供深度和广度的知识覆盖，同时促进个人发展和领导力的发展。
私立女子学院还致力于培养学生的社交技能和人际交往能力，通过组织各种课外活动和社交活动，鼓励学生与他人建立深厚的人际关系，这对他们在未来的职业生涯和社会生活中的成功至关重要。
私立女子学院的成功并非偶然，而是源于其对创新和个性化的追求。其以“女性赋权、独立思考和全面发展”的理念为核心价值观，倡导自由探索、自我实现和发展，这与全球大多数教育机构在追求学术成就的传统观念上有所不同。这种教育模式鼓励学生挑战传统的界限，追求自身的兴趣和激情，而不是仅仅为了获取学历。
私立女子学院以其独特的教育模式和多元化的人才培养目标，为中国和国际女生提供了广阔的学习空间和人生选择。这里的学生不仅在学术上取得了显著的进步，也在人格塑造和社会融入方面获得了深入的理解和实践。这一教育模式的成功证明了，在现代社会，私人女子学院不仅可以为女生提供高质量的教育，更能在助力她们成长为具有竞争力和影响力的个体的为社会注入一股新的力量和活力。
据央视新闻消息，当地时间6月2日，俄乌在伊斯坦布尔举行第二轮谈判。而就在谈判前一天，乌克兰对俄境内多处空军基地发动代号“蛛网”的袭击。乌克兰此次袭击可谓蓄谋已久。据《基辅独立报》披露，其特工一年半前就开始布局，将远程操控的FPV无人机藏在特制卡车舱盖内，由俄罗斯卡车司机运至军事基地周边，再远程操控无人机发起攻击。乌方称此次行动出动117架无人机，摧毁40余架俄军战略轰炸机，占俄战略轰炸机总数的34%，造成超70亿美元损失。
不过俄方说法与之不同，俄国防部承认5座军用机场遇袭，称其中3座击退袭击，两座机场有多件航空装备起火，但未说明具体损失数量。俄罗斯“与假新闻作战”网站分析称，可能仅摧毁两架图-95战略轰炸机及一架安-12运输机，其余受损飞机维修后可恢复作战能力。面对乌克兰的袭击，俄罗斯迅速展开报复。6月2日，俄罗斯发起“斩首”行动，使用“伊斯坎德尔”导弹并附加集束弹头，摧毁乌军指挥部，还对乌克兰两个独立摩步旅的营地进行打击，俄军公布了相关视频以证实打击效果。
普京（资料图）
此外，6月1日夜间至6月2日凌晨，俄罗斯出动80架无人机，发射3枚弹道导弹和1枚巡航导弹，袭击乌克兰境内多地，目标包括无人机生产工厂、发射与存储地点、军用弹药库及前线兵力集结点，导致乌军某训练场至少72人死伤。俄罗斯国防部6月2日报告称，过去24小时内，乌军在多个方向损失1430人，包含战斗伤亡和人员失踪，俄军六大集团军同时行动，打击乌军阵地并摧毁多处补给线和防御工事，在东部地区重新掌握主动权。
俄罗斯在军事报复的同时，也在内部展开调查。普京下令联邦安全局对军方系统进行内部排查，认为乌克兰对本土的精准打击可能存在内部信息泄露，调查重点包括国防部、空军作战司令部和战略导弹军的通信部门等，已有多名现役军官被停职接受调查，还要求梳理近3个月军政高层的通信记录及相关文件交换痕迹，调查范围延伸至负责导弹发射阵地的技术保障单位和情报共享部门，克里姆林宫强调此次清查是“战时安全维护的必要手段”。
泽连斯基（资料图）
再看俄乌第二轮谈判情况。谈判由土耳其外长费丹主持，持续约一个半小时，双方就战俘交换等人道主义问题达成一致，同意交换所有重伤重病及25岁以下战俘，以“6000:6000”模式交换阵亡士兵遗体，俄方下周单方面向乌方移交6000具阵亡士兵遗体，还将成立医务委员会定期交换重伤士兵。俄方递交了包含停火方案等内容的和平备忘录，乌方表示用一周时间研究。
但在关键的停火问题上分歧明显，乌方提议30天无条件停火，俄方拒绝，仅同意前线部分地区停火2到3天以交换阵亡士兵遗体，乌方提议本月底举行下一轮谈判，还讨论了两国领导人会晤问题，俄方表示不排除可能性，土耳其总统埃尔多安提议举行有美俄乌领导人参加的峰会。
普京（资料图）
从国际反应来看，美国态度有些微妙。特朗普指责泽连斯基“每句话都在制造麻烦”，甚至提到“第三次世界大战”，还要求乌克兰“赔偿俄罗斯被毁的战机”，而白宫称乌克兰袭击俄罗斯后方“属于独立决策”，美国事前不知情，果断撇清关系。欧盟方面拒绝就此事发表评论，德国表示“无法在战场上彻底击败俄罗斯”，建议以谈判为主导解决冲突，但德国曾表示要提供50亿欧元支持乌克兰生产远程武器，解除援乌武器射程限制。
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