男生女生互动套路：互怼对决，情感火花碰撞与摩擦的精彩瞬间，海南海药股票连续3个交易日涨幅偏离值达20%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吴昕就像是在时尚穿搭班进修了一般，随便每一套衣服穿在她身上都特别好看。一件有点土气的花裤子，吴昕配明亮的红色衬衫，还真挺洋气。
关于男生女生之间的互动套路，似乎在日常生活中无处不在，尤其是在爱情、友谊或者娱乐等场景中。这种互动模式通常表现为互怼对决和情感火花的碰撞与摩擦，下面我们将逐一探讨这些精彩的瞬间。
互怼对决是男生女生之间常见的互动方式之一，通过争执来引发话题，激起彼此的兴趣。例如，在篮球赛场上，双方球员奋力拼抢，相互恶语相向，甚至互相指责对方的技术动作和战术思路。这种竞技氛围下，男生往往更加勇猛直接，敢于挑战对手的极限；而女生则更善于观察比赛中的细节，通过言语反击或情绪化的表情回应，展现出自己的智慧和策略。这种对决并非全然无情，因为其中也有不少深情的时刻。当男生说出“你永远不会知道我们的底线在哪里”时，女生可能会回应：“那我永远不会让你失望。”这种情感上的对决，不仅展示出了他们的决心和勇气，也体现了他们对彼此的理解和支持。
情感火花的碰撞与摩擦往往是男女关系中最令人激动的时刻。男生和女生间的感情如火如荼，他们在互相了解、沟通的过程中产生共鸣，进而产生了深厚的感情。例如，当两人一起参加一场浪漫的晚餐会，面对着烛光下甜美的笑容和美食，男生可能会表白自己心中的爱意，而女生则会在第一时间回应：“我也爱你！”这种情感的碰撞，如同火花一般，燃烧出浓烈的情感色彩，让整个夜晚都充满了温馨和甜蜜。
当然，这种火花的碰撞并非一帆风顺。有时候，男生和女生可能会因为一些误解或分歧而产生矛盾和争吵。在这种情况下，男生可能会用幽默的方式化解问题，以一种轻松的态度对待冲突，引导女孩看到问题的本质，并提出解决问题的方案。而对于女生来说，她可能会选择冷静地听取男生的意见，然后寻求一个双方都能接受的解决方案。这种处理方式既保持了相互尊重和理解，又避免了激烈的争执和冲突，使得恋爱关系在矛盾和摩擦中找到了平衡。
男生女生之间的互动套路既有相互挑战的对决，又有深情的情感火花碰撞与摩擦。这种互动方式既能激发双方的竞争意识，也能培养他们的理解和包容精神，同时也能帮助他们在面对困难和挑战时找到共同的语言和解决办法。无论是在日常生活还是在爱情故事中，这种互动套路都是极具吸引力的一种表现形式，它让人们对男生女生的关系有了更深的认识和理解，同时也为我们提供了一种独特的视角去欣赏和感受爱情的魅力。
雷达财经 文|冯秀语 编|李亦辉
6月3日，海南海药（股票代码：000566）发布公告称，公司股票于2025年5月29日至6月3日连续3个交易日收盘价格涨幅偏离值累计达到20%以上，属于股票交易异常波动情况。公司确认前期披露的信息不存在需要更正、补充之处，近期经营情况正常及内外部经营环境未发生重大变化，公司、控股股东和实际控制人不存在应披露而未披露的重大事项，或处于筹划阶段的重大事项。股票异常波动期间，公司、控股股东、实际控制人未买卖公司股票。公司提醒广大投资者注意防范投资风险。
天眼查资料显示，海南海药成立于1992年12月30日，注册资本129736.5126万人民币，法定代表人王建平，注册地址为海南省海口市秀英区南海大道192号。主营业务为药品研发、生产和销售。
目前，公司董事长为王建平，董秘为石磊，员工人数为2003人，实际控制人为国务院国有资产监督管理委员会。
公司参股公司21家，包括海药大健康管理（北京）有限公司、海口市制药厂有限公司、海南海药投资有限公司、重庆天一医药有限公司、桂林海药生物科技有限公司等。
在业绩方面，公司2022年至2024年营业收入分别为17.79亿元、14.79亿元和9.91亿元，同比分别增长-13.60%、-16.89%和-33.00%。归母净利润分别为1051.57万元、-1.06亿元和-15.25亿元，归母净利润同比增长分别为100.68%、-1113.52%和-1332.27%。同期，公司资产负债率分别为68.27%、70.13%和90.34%。
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