《动态"GIF中别具一格的女上男下舞步：视觉与情感交织的魅力解析》，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莱万：对波兰主教练失去信任 他在职期间我退出国家队上世纪80年代，习近平同志在河北正定工作期间，经常走访县志里记载的古寺、古塔等文保单位，对正定的文物特别关心。正定隆兴寺里，留下了习近平同志保护文物的许多故事。
以动态"GIF"中的独特女上男下舞步为背景，深入探讨其在视觉与情感交织的魅力。舞蹈是一种语言，通过身体动作、节奏和表情传递出创作者的情绪和思想。在这部作品中，这种语言以动态"GIF"的形式展现，将女性与男性之间的性别差异，以及他们在舞蹈世界中的角色定位，巧妙地转化为可视化的视觉表现。
在GIF中，女舞者以优雅而细腻的动作演绎着各种独特的舞步，犹如一位充满智慧的女神，在舞台的中央翩翩起舞。她通过流畅的身段和精准的转换，展示了女性舞者的柔韧性和力量感，仿佛能将观众带入一个神秘而浪漫的幻境之中。而男舞者则以其特有的英姿和激情，引领着观众进入一场激动人心的男性舞蹈盛宴。他时而疾驰如风，彰显出勇往直前的决心和毅力；时而轻盈如蝶，展示出潇洒自如的风度和速度。
GIF中的舞蹈元素不仅体现在舞者的肢体动作上，更体现在其内在的情感表达上。无论是女舞者在舞台上深邃的眼神，还是男舞者在观众席上的热烈掌声，都在无声无息间流露出他们内心深处的情感和喜怒哀乐。他们的每一次转身，每一个眼神交流，都像是在诉说他们对生活的热爱，对爱情的执着，对梦想的追求。
GIF中的舞步也与社会文化背景紧密相连。例如，女舞者常常表现出温婉含蓄的一面，她的步伐轻盈，舞姿优美，似乎是在向观众传达一种温柔而美丽的爱情观；而男舞者则往往展现出刚毅豪放的一面，他的动作有力，舞姿奔放，似乎是向观众传递一种坚韧不拔的奋斗精神。这种性别差异在舞蹈中被完美地融合和升华，使整个动态"GIF"充满了丰富的内涵和多元的情感色彩。
在视觉与情感交融的魅力中，动态"GIF"展现了男女舞蹈者各自独特的魅力和价值。通过这个独具一格的作品，我们可以看到她们各自在舞蹈世界中的角色定位，感受她们在情感表达上的深度和广度，领略到他们在文化和历史背景下塑造的女性和男性形象。这不仅仅是一场视觉的艺术盛宴，更是一次关于人性、情感和生活的深度思考和探索之旅。
《动态"GIF"中别具一格的女上男下舞步：视觉与情感交织的魅力解析》通过生动有趣的动态"GIF"形式，成功地诠释了女性与男性在舞蹈世界中的角色差异、情感交流和文化传承。这种艺术创新和情感表达方式，无疑为舞蹈艺术领域注入了新的活力和灵感，也为人们理解和欣赏舞蹈之美提供了全新的视角和途径。
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
北京时间6月9日，莱万多夫斯基宣布放弃本期国家队征召后，引起渲染大波，被免去了队长职务，然而事情还在发酵，莱万目前自宣退出国家队，直至换帅。
在主教练的决定下，波兰足协官方宣布，泽林斯基出任国家队队长，此前担任队长职务的莱万在个人社交媒体上正式宣布退队。
莱万写到：“考虑到目前的形势，我对波兰国家队主教练失去了信任。我决定在他担任国家队主教练期间退出国家队比赛。”
“我希望将来还有机会再次为世界上最好的球迷们踢球。”