揭秘IPX-118：多功能小型化技术的革新者，掌控生活百变的关键设备，飞行派科技任命李泞为联合创始人兼CFO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现场最抢镜的不是他自己，而是站在一旁，穿着白纱长裙的马筱梅。
题目：揭秘IPX-118：多功能小型化技术的革新者，掌控生活百变的关键设备
在科技日新月异的今天，IPX-118以其多功能、小巧便携的设计和卓越的性能，成为一款引领小型化技术革新的关键设备。这款产品不仅仅是一款简单的电子元件，更是一台能够满足各种生活需求的全能工具，掌握着用户生活中的各种变化，让每一个细微之处都变得充满乐趣。
让我们来看看IPX-118的基本功能。它的体积仅为2.5厘米，重量仅34克，便携性极佳，无论是出差旅行还是日常使用，都能轻松携带。其采用USB接口设计，可以连接电脑或其他移动设备进行充电和数据传输，让使用者可以在任何地方随时访问网络资源，实现信息与娱乐的无缝对接。IPX-118还配备了多种传感器，如触摸屏、温度传感器、湿度传感器等，可实时监测环境参数，并通过内置的APP或手机应用提供详细的数据分析报告，为用户提供精准的生活建议和解决方案。
对于那些追求高效便捷生活的用户来说，IPX-118无疑提供了极大的便利。它不仅可以支持多种操作系统（如Windows、Mac OS、iOS、Android等），还可以通过蓝牙、WIFI等方式与其他设备进行无线连接，实现一键分享文件、播放音乐、控制智能家居等功能，极大地提升了生活效率。尤其在智能家电领域，IPX-118的应用潜力更是被无限放大，无论是智能照明系统、空调控制系统、电视遥控器，甚至是智能冰箱、洗衣机等家居电器，都可以轻松接入并操作，让家里的每一个角落都充满了智能科技的气息。
IPX-118还拥有强大的兼容性和扩展性。其搭载了一颗高性能处理器，能够处理大量的数据和复杂的操作任务，同时也能流畅运行多款主流应用程序和游戏，让用户无论是在工作场合还是休闲时间，都能够享受到沉浸式的游戏体验。IPX-118还配备了丰富的外部扩展插口，如USB、SD卡槽、HDMI接口等，可以让用户根据实际需要灵活拓展外接设备，进一步提升设备的整体功能和灵活性。
IPX-118凭借其独特的多功能性和小巧便携性，成功地打破了传统电子设备的界限，成为了小型化技术革命的重要推动者，将物理空间转化为数字世界，成为现代生活中不可或缺的一部分。从控制家中的各种设备到获取实时的信息，从提高生活效率到丰富娱乐方式，IPX-118无一不展现了其无可比拟的优势，使其成为了掌握生活百变的关键设备，帮助我们开启一个更加智能化、便捷化的未来。
6月8日,eVTOL高科技创新企业广东飞行派科技有限公司(简称“飞行派”)宣布,任命李泞为公司联合创始人兼CFO,全面负责公司的财务管理、资本及未来上市运作、投资者关系、风险控制等核心职能。
李泞是拥有超过15年上市公司财务管理经验的资深财务战略家,尤其以卓越的资本运作能力和丰富的IPO实战经验著称。在加入飞行派科技之前,李泞展现了作为企业上市核心推手的杰出能力:
车车科技有限公司: 担任上市总负责人兼顾问,主导并成功推动公司于2023年在美国纳斯达克交易所挂牌上市。
深泛联投资集团: 担任执行董事兼CFO,全盘负责并成功完成公司于2018年在美国纽约证券交易所的首次公开募股(IPO)。
泛华控股集团: 作为IPO项目核心成员,成功推动公司于2007年登陆美国纳斯达克交易所。
在其辉煌的职业履历中,李泞不仅专注于IPO执行,更全盘负责过包括财务战略规划、资金管理、风险控制、信息技术系统及投资者关系在内的上市公司全面财务管理职能。他拥有五年的境外工作经验,深谙境内外资金的管理与投资策略,并精通美国通用会计准则(US GAAP)及国际财务报告准则(IFRS)。李泞持有ACCA(特许公认会计师公会)证书,并拥有FCCA(资深特许公认会计师)资格,是其专业能力的有力背书。
飞行派科技正处于快速发展与国际化布局的关键期。李泞深厚的上市公司治理经验、卓越的资本运作记录、以及对国际财务规则与跨境资金管理的深刻理解,正是飞行派科技实现下一阶段战略目标所亟需的关键领导力。
飞行派科技创始人兼CEO侯垠佑表示:“我们非常荣幸并热烈欢迎李泞担任飞行派科技联合创始人兼CFO。李泞是财务领域,尤其是中概股上市和企业国际化财务管理方面公认的顶尖专家。他连续主导或深度参与多家企业成功登陆美国资本市场的辉煌战绩,以及在构建和完善上市公司全面财务治理体系方面的丰富经验,令人印象深刻。他的加盟正值公司加速全球化布局、筹备关键资本动作、提升企业治理水平的关键时刻。我们深信,李泞的战略视野、专业洞见和卓越领导力,将极大提升我们的财务战略高度、强化风险管控能力、优化资本结构,并为公司创造长期、可持续的股东价值提供强大引擎,带领财务团队为公司战略目标的实现,奠定坚实的财务基础。”
李泞表示:“我非常高兴能在飞行派科技发展的关键阶段加入这个充满活力和潜力的团队。飞行派科技在eVTOL行业的独特定位、创新能力和广阔前景深深吸引了我。我期待运用我在上市公司财务管理、国际资本运作和跨境财务实践方面的经验,与团队紧密协作,构建高效、合规、前瞻性的全球财务管理体系,有效管理风险,把握资本市场机遇,全力支持公司的战略雄心与业务增长,为所有利益相关方创造卓越价值。”
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