公交车上，一次又一次的乘客反应：为何车厢内陷入了一股无法遏制的沉默与质疑，F4将合体开演唱会? 言承旭、周渝民、吴建豪、朱孝天出道25周年，可能开启亚洲巡演看似无害的提问，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据特朗普自己说，他没有花时间去想那个“一周前还在椭圆形办公室接受巨大金钥匙，如今却开始对其进行侮辱的人”。
在城市的繁华街头，每一辆公交车都如同一部无声的交响乐，承载着无数人的生活和情感。在这台看似平静的机器中，却隐藏着一股难以言喻的沉默与质疑。这种现象并非偶然，而是一次又一次的乘客反应共同塑造了公交车上独特的氛围，引发人们对公共交通工具安全、服务品质等方面的问题进行深度反思。
我们可以从乘客们的日常行为中发现这一现象的存在。每当公交车驶过一站，无论是上下车的高峰期还是平日里，车厢内的乘客们似乎都会表现出一种莫名的寂静。他们坐在座位上，低垂着头，偶尔抬头望向窗外，眼神中充满了对未知的恐惧和不安。他们的谈话声几乎消失在车内，整个车厢仿佛被一块巨大的黑布遮盖，只剩下乘客们的呼吸声和心跳声交织在一起。这种沉默不仅来自于内心的恐慌，更是一种对公共安全的担忧和对服务质量的不满。人们担心突然停车，或者列车出现故障时，自己可能无法及时疏散或寻求帮助；也有人担心车辆频繁换乘导致的等待时间过长，会增加他们的焦虑感和疲惫感。
公交车上的乘客反应还表现在对乘车体验的评价上。不少乘客表示，公交车的服务质量并没有达到预期，尤其是在高峰时段，车厢内的人流拥挤，噪音大，空调不足，座椅不舒适等问题更是让人心生抱怨。他们希望公交车能够提供更加便捷、舒适的乘车环境，如提供更多座位，增设空调等设施，减少车厢内的噪音干扰，提高座椅的舒适度等。一些乘客还提出对公交公司的管理和运营方式提出批评，认为公司没有充分考虑到公共交通工具的特殊性和乘客的需求，导致乘客满意度下降。
这些乘客的反应并非毫无依据的抱怨，而是通过乘坐公共交通工具的实际经历反映出公交服务质量的现状。在许多城市，由于公共交通基础设施建设滞后，以及驾驶员的技术和服务水平有限，公共交通工具的安全性、便利性、舒适性等方面往往存在明显的短板。部分公交公司在运营过程中过于追求经济效益，忽视了对乘客权益的保障，使得乘客在面对交通拥堵、设备老化等问题时，不得不选择放弃公共交通，转而选择私家车出行，进一步加剧了公共交通的压力。
那么，如何解决公交车上乘客反映的沉默与质疑问题呢？政府应当加大公共交通基础设施的投入和更新力度，优化公共交通线路和班次布局，确保公共交通工具的稳定运行和安全高效。公交公司应强化服务质量培训和考核机制，提升驾驶员的专业技能和服务意识，提高服务水平和效率。公交公司还可以借鉴先进的公共交通运营管理理念，引入现代化管理手段，如大数据分析、人工智能技术等，实现精细化运营，满足乘客多元化的需求。
公交车上乘客的沉默与质疑问题反映了公共交通行业在服务质量、设施建设、管理运营等方面的诸多挑战。只有通过公众参与、政府引导、企业创新等方式，我们才能有效推动公共交通行业的健康发展，提升公众的出行体验，从而营造一个更安全、便捷、舒适的城市公共交通环境。
6月4日，新浪娱乐报道，据台媒，在相信音乐的极力撮合下 ，“F4”成员言承旭、周渝民、吴建豪和朱孝天将于2026年合体举办出道25周年演唱会，也有可能在日韩等亚洲各地巡演。
据悉，F4在2009年解散后，仅于2013年卫视春晚合体。
F4，男子偶像组合，由言承旭、朱孝天、周渝民、吴建豪四名成员组成。
2001年，四人一起主演偶像剧《流星花园》走红。随着《流星花园》的热播，四位主演成立男子团体，定名F4。
8月27日，F4发行首张专辑《流星雨》，推出后七天内销售量达20万张，专辑同名歌曲《流星雨》获得2001年马来西亚第一届金曲红人颁奖礼 “十大金曲”，此外他们还成功举行了首次演唱会。
2007年10月，F4在台北举行聚会，这是F4最后一次同台合作的聚会。2013年，F4再次重聚，“合体”江苏卫视春晚献唱《流星雨》和《第一时间》。
2020年10月30日，F4在江苏卫视《一千零一夜》晚会再度合体演唱《流星雨》和《第一时间》，但是演唱环节只有吴建豪一人到场，其余三人都是影像投影。
网友：活久见！期待
来源：齐鲁晚报（qiluwanbaoqlwb）
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