引领新潮的女性解放：探索男上女下的动态魅力 - 解开性别角色束缚的力量，迅雷完成收购虎扑，总现金对价 5 亿元看似无害的提问，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5月30日，永辉超市（SH601933）及其董事长被限制高消费一事冲上热搜。
九十年代以来，随着社会经济的发展和科技的进步，男女两性在社会地位、文化教育、职业发展等方面开始呈现出明显的差异。在这个多元化的时代背景下，越来越多的女性开始寻求新的自我认同和价值实现，以期打破传统性别角色的束缚，展现自身的独特魅力和创新力量。
男上女下作为一种独特的性别关系模式，其诞生和发展是历史进程中的必然结果。从古希腊神话中的阿波罗与阿尔忒弥斯，到中国的皇帝制度中皇位与女性的结合，再到现代西方国家的男性领导力结构，男上女下的互动已经深深地影响了人类社会的各个层面。这种基于男性和女性各自特点的性别角色划分，为女性提供了独立自主、勇于挑战传统的机会，同时也为其塑造了一种全新的性别角色期待。
与此随着现代社会女性地位的提升和教育普及程度的提高，越来越多的女性选择跳出传统性别角色的框架，投身于各种领域，如科研、艺术、教育、商业等，展现出极强的专业能力和创造性思维。在这个过程中，她们逐渐摆脱了男性主导的观念束缚，敢于追求自己的梦想，并通过不断实践和学习，逐步构建起一个富有活力和包容性的性别角色体系。
而男性则以其特有的雄心壮志和社会责任担当，承担起了推动社会进步和维护社会稳定的重要使命。他们在科研、工程、艺术等领域发挥着无可替代的作用，不仅在事业上取得了显著成就，也在社会责任上做出了巨大的贡献。他们以实际行动诠释出“男儿当自强”的精神风貌，展现了强烈的创新意识和批判精神，打破了人们对男性固有刻板印象和偏见，使男性的形象更加鲜明和立体。
男上女下也为女性的角色定位提供了丰富多样的可能性，赋予了她们更多元的价值选择和人生选择的空间。在这种环境中成长起来的女性，不仅可以实现个人的职业成功，也可以参与到社区、家庭甚至全球范围内的公共事务中来，成为社会变革和发展的推动者和参与者。这使得女性在社会发展中的地位得到了显著提升，女性群体的影响力和创造力日益增强，实现了性别角色的深度拓展和全面重构。
引领新潮的女性解放是一种全方位的过程，它包括对传统性别角色的突破，也包括对个体角色定位的重塑。通过男上女下，女性获得了更自由、更自信、更具魅力和责任感的人生观和价值观，从而更好地适应并引领未来世界的新潮流。这是一种跨越性别界限、展示个性魅力和创新潜能的强大驱动力，也是社会进步和人类文明发展的基石之一。我们应当珍视并积极推广男上女下这一独特的性别关系模式，鼓励女性勇敢地拥抱变化，以崭新的姿态迎接新时代的挑战和机遇，共同构建一个充满多样性和包容性的性别平等的社会。
IT之家 6 月 4 日消息，迅雷 6 月 2 日公告宣布已完成对虎扑运营方上海匡慧网络科技有限公司的收购。
该交易的总现金对价为 5 亿元人民币。根据双方最终协议的条款，迅雷已在交易完成前支付了 4 亿元人民币的现金对价。迅雷将分别在交易完成后 12 个月和 24 个月分两期等额支付剩余的 1 亿元人民币现金对价。
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