甘雨の步法：娴熟的腿部技巧揭示她令人倾倒的舞姿掌控力: 政治舞台上的变幻，谁将主宰未来？，: 清晰明了的分析，难道不值得思考其中的含义？
以下是对甘雨在舞蹈领域的独到探索和对她流畅、优雅的步伐表现出的详细介绍：
甘雨，一个中国古典舞中的代表性人物，以其独特的步法和优雅的姿态在全球范围内享有盛誉。作为一位以柔美舞姿著称于世的女子，她的步伐被誉为“甘雨步法”，这不仅仅是一种舞步名称，更代表了她对舞蹈艺术的精准掌握和无可挑剔的技艺。
甘雨的步法源自中国传统的中国舞和芭蕾舞，其中融合了中国的古典韵味和西方的现代元素，形成了自己独特的风格。她的步法精湛无比，每一个动作都充满力度，既有优美的弧度，又有强烈的节奏感。例如，她的跳跃时如雨滴般轻盈落地，每一次旋转都仿佛是在空中画出一幅动态的画卷；她的转身如流星划过夜空，每一次起伏都仿佛在空气中激起涟漪。
甘雨的步伐并不只是单纯的优美，更在于其背后所蕴含的深厚功底和全面的技能。她的腿型堪称完美，每一寸肌肤都被精炼地拉伸，形成一种力量与柔美的平衡。她的腿部肌肉紧实有力，线条流畅自然，如同流水般绵延不绝。这种完美的身体姿态，使得她在舞台上展现出一种无尽的力量和张力，无形中引导着观众的情感波动。
她的脚步韵律十足，每一个动作都伴随着音乐的节拍，配合着音乐的旋律进行。她的舞步既富有节奏感，又不失细腻性，仿佛是大自然的交响乐，将人带入了一个美妙的世界。这种和谐统一的动作组合，不仅展示了她的舞蹈才能，也展现了她的内心世界和情感深度。
甘雨还具备出色的协调性和灵活性。无论是在编排舞蹈的过程中，还是在演出时，她的舞步总是能够准确无误地融入到整个舞蹈中，与角色的性格和情感紧密相连。她的步伐既能表现优雅的女性形象，也能塑造出坚韧的英雄性格，充分展示了舞蹈的多样性和表现力。
甘雨的“甘雨步法”不仅是她舞蹈生涯的杰出成就，更是她对舞蹈艺术的深入理解和独到见解的体现。她通过巧妙而精细的步骤，将中国传统舞蹈和现代芭蕾舞的精髓融为一体，创造出了一种既传统又现代、既有古典韵味又具有创新精神的舞蹈形式。这种优雅的步伐和娴熟的腿部技巧，让人们对甘雨产生了深深的敬佩之情，也让人们看到了中国古典舞的魅力和魅力所在。在她的引领下，我们期待着更多像她一样才华横溢的舞蹈家，用他们的智慧和技艺，为我们带来更多的视觉和心灵享受。
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