实力派新生代模特——于子涵：以才华和坚持诠释青春魅力，原创 A股：12天11个涨停板！股民：妖股的尽头是天空！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胡塞武装险些击落美军F-35战机一事，我觉得真有可能
关于于子涵这位以其才华和坚韧精神为背景的新生代模特，她的成功故事无疑是值得我们深入探索与学习的。她从一个普通的高中艺术生，成长为实力派青年模特，这一过程充满了挑战与机遇，但她凭借对艺术的热爱，以及对于青春魅力的独特诠释，以实际行动向世人展示了什么是真正的青春魅力。
于子涵出生于中国上海的一个普通家庭，从小就展现出对艺术的深深热爱。她从小学就开始在美术班接受专业训练，并且凭借其敏锐的艺术感知力和扎实的专业基础，在学校、社区和社会上脱颖而出。她的绘画作品多次在全国乃至国际比赛中获奖，这不仅证明了她的天赋，也展现了她在艺术领域的深度和广度。与此她也在大学期间选择就读服装设计专业，通过系统的学习和实践，她将艺术理论知识与实际操作相结合，不断提高自身的专业技能和审美水平，从而在模特界崭露头角。
于子涵并未止步于此。进入模特行业后，她凭借其独特的气质和清新自然的形象，迅速赢得了大众的喜爱和认可。她的舞台表现力强，无论是演绎经典时装还是展现现代潮流，都能轻松自如地驾驭并诠释每一个角色。每一次亮相都是一次视觉盛宴，她的每一颦一笑都充满了活力和自信，仿佛春天的花朵，绚烂夺目，吸引着人们的目光。
于子涵的成功并非偶然，而是源于她对青春的魅力的深刻理解和独特诠释。她深知，青春不仅仅是年龄的增长和生理的发育，更是内心世界的丰富和成长。在她的身上，我们可以看到一种对生活充满热情、敢于追求梦想的精神，这种精神让她始终保持积极的态度，用才华和坚持去迎接生活的挑战。
于子涵的青春魅力还体现在她的真诚和善良上。她始终秉持着一颗感恩的心，对待工作认真负责，对待生活充满热情，对待朋友真诚友善。她的真诚和善良使她在模特圈中赢得了许多人的尊重和喜爱，也让她的人格魅力得到了充分的体现。
总结来说，于子涵是一位极具才华和坚韧精神的新生代模特。她的青春魅力不仅仅在于她的外表美，更在于她内在的热情、勇敢和智慧。她的成功告诉我们，只要有热爱，有勇气，有坚持，就一定能够实现自己的梦想，塑造属于自己的青春魅力。让我们向于子涵学习，学习她的才华，学习她的坚持，学习她的青春魅力，共同见证青春的美好与辉煌。
周三的大盘继续攀升，如同一位勇往直前的攀登者，稳扎稳打地站上了20日均线这条被视为生命线的关键位置。对于那些依靠技术分析来判断市场走向的投资者来说，这无疑是一个极为鼓舞人心的信号。如果大盘能够在这条线上持续稳固脚步，那么一轮新的上涨行情或许即将拉开帷幕。
近段时间以来，券商股就像是蓄势待发的骏马，特别是以光大证券为首的队伍更是显得跃跃欲试。每当这些重量级选手开始有所动作，市场总是充满了期待与想象。它们的异动往往预示着新一波行情的到来，仿佛是给沉寂已久的市场注入了一针强心剂。此刻，无论是资深股民还是新手投资者，都在屏息凝神，静待市场的下一步走势。
让我们共同期待，看这场由券商股领衔主演的好戏如何展开，是否会带来我们所期盼的那一轮波澜壮阔的牛市旅程。
先来看下对下一个交易日有预判作用的“神器”——中信期货在股指期货上的增减持情况。它在沪深300股指期货上多单方面增仓1440手，空单方面增仓683手，给出了“偏多”的信号——预判正确。
在中证1000股指期货上多单方面减仓391手，空单方面减仓1226手，给出了“偏多”的信号——预判正确；在上证50股指期货上多单方面增仓411手，空单方面增仓622手，给出了“偏空”的信号——预判失误。近97个交易日，153正确138失误，正确率为52.57%。
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