57K4-CC: 独特汽车科技与前沿设计的融合，原创 吴绮莉现状：坦然面对过往，皮肤紧致保养好，女儿在国外生活落魄看似无害的提问，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福建晋江地区，端午节家家户户还要吃“煎堆”。所谓煎堆，就是用面粉、米粉或番薯粉和其他配料调成浓糊状，下油锅煎成一大片。相传古时闽南一带在端午节之前是雨季，阴雨连绵不止，民间说天公穿了洞，要“补天”。端午节吃了“煎堆”后雨便止了，人们说把天补好了。这种食俗由此而来。
《57K4-CC：创新汽车科技与前沿设计的艺术碰撞》
随着科技的日新月异和人们对驾驶体验需求的不断提高，一辆独特且前瞻性的汽车已经成为了现代人追求的目标。以57K4-CC为例子，这一系列车型集成了前沿汽车科技与独特的设计元素，展现出一幅独特的汽车科技画卷。
57K4-CC采用了先进的混合动力技术，通过电动机、汽油发动机及电池组的协同工作，实现了低能耗、高性能和高效率的能源转换，显著提高了车辆燃油经济性和行驶稳定性。其搭载的智能驾驶辅助系统，如自动泊车、自适应巡航控制等，进一步提升了驾驶便利性和安全性，为用户提供了一种全新的驾驶体验。
57K4-CC的设计语言充满了科技感和未来感，采用简洁线条勾勒出硬朗的车身轮廓，搭配流线型的车身设计和大面积的玻璃天窗，营造出强烈的视觉冲击力和宽敞的内部空间。车头部分配备LED大灯组，内置集成激光雷达、摄像头等多种传感器，实现全方位感知和自主决策能力，使得车辆在各种复杂路况下都能保持良好的行驶性能和安全防护。
57K4-CC还融入了许多前瞻的设计理念，例如数字化仪表盘、触摸屏中控台等，使车辆操作更为便捷、直观，提升用户的驾乘舒适度。其内饰材质选用环保材料，既注重美观性，又兼顾了舒适性，形成一种简约而不简单的设计风格。
57K4-CC以其领先的技术架构、前沿的设计理念和卓越的驾驶品质，成功将汽车科技与前沿设计完美融合，打造出一款独具魅力、满足用户多元化需求的跨界车。这不仅展现了中国汽车工业的科技创新实力，也展示了中国设计师对于未来的创新思考和卓越追求，为我们描绘了一个充满无限可能的汽车科技未来世界。
提到吴绮莉，一般人想到的不是她的作品，而是她和成龙的那一段感情纠缠。
她明明是曾经的“亚洲小姐”，17岁就凭清纯模样和灵气闯荡香港娱乐圈，星光耀眼。
可就是因为和成龙婚外情生女，就让她多年积累的事业毁于一旦，并且还背上了“第三者”的名声。
如今，当年的事已经过去了20多年，她已经52岁了，现在的她到底过着怎样的生活呢？
01
吴绮莉的童年并不温暖，母亲是个雷厉风行的地产女强人，家财雄厚，父亲却只是普通打工仔。
父母在她很小的时候就离婚了，母亲的强势和冷淡让她从小就缺了家的温情。
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