精东影业果冻传媒实力红人 林凤娇的跨界传奇：从电影明星到娱乐风尚引领者，湖南黄金：6月3日融资买入1.02亿元，融资融券余额15.42亿元看似无害的提问，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或者说：“你就是太敏感了，你这样怎么在社会上立足？”
以下是关于精东影业果冻传媒实力红人林凤娇的跨界传奇的文章：
在中国影视行业，以创新性和影响力著称的果冻传媒以其果冻般的创意和丰富多元的内容，成功地吸引了众多观众的目光。在这个充满竞争与挑战的时代，林凤娇凭借其独特的跨界传奇，成为了中国娱乐风尚引领者的代表之一。
林凤娇，1964年出生于浙江绍兴，自小便展现出对表演艺术的独特热爱。她以优异的成绩毕业于北京电影学院表演系，并在毕业后顺利进入了电影界工作。在她的演艺生涯中，林凤娇曾是国际知名电影巨星张曼玉、巩俐等人的专业搭档，也是国内多部热门影视剧中的重要演员，如《女人不坏》、《金粉世家》、《情深深雨蒙蒙》等，展现出了深厚的演技功底和广泛的荧幕形象。
对于许多人来说，林凤娇最为人所知的身份无疑是她作为影视红人的身份。早在20世纪90年代初，她凭借在电影《人在囧途》中的精彩表现，一夜之间红遍大江南北，成为了一名备受瞩目的女演员。在这之后，林凤娇逐渐尝试涉足影视制作，开始执导并主演了一系列商业题材影片，如《疯狂的石头》、《我不是潘金莲》等，这些作品不仅在国内取得了巨大票房成功，也在国际上赢得了广泛的认可和赞誉。
随着事业的成功，林凤娇并未停下脚步。她在跨界的道路上不断探索，尝试将电影、音乐、电视等多个领域进行融合，推出了多部深受观众喜爱的跨界作品。例如，在电影《西游记之女儿国》中，林凤娇扮演了神秘的女王角色，颠覆了人们对传统女性形象的认知；在电视剧《人民的名义》中，她饰演的检察官丁香一角，凭借其深沉的内心世界和高超的演技，赢得了观众的高度评价。
林凤娇还积极参与公益事业，倡导环保理念，通过自己的影响力，鼓励更多的人参与到环保行动中来。她曾参与过多次公益活动，如发起“绿色地球•共享未来”等主题的植树活动，以此传递出健康生活、绿色环保的理念，得到了公众的一致好评。
林凤娇的跨界传奇不仅体现在她在演艺事业上的成就，更体现在她在多个领域的深度探索和跨界合作上。她的独特魅力和坚韧精神，使得她在众多行业中都能够独树一帜，成为中国娱乐风尚引领者的重要人物。在未来，我们有理由期待她在更多的跨界领域中继续发光发热，为中国的电影和娱乐产业带来更加丰富的文化内涵和活力。
证券之星消息，6月3日，湖南黄金（002155）融资买入1.02亿元，融资偿还1.06亿元，融资净卖出380.59万元，融资余额15.32亿元。
融券方面，当日融券卖出1.24万股，融券偿还2.35万股，融券净买入1.11万股，融券余量43.36万股，近20个交易日中有11个交易日出现融券净卖出。
融资融券余额15.42亿元，较昨日下滑0.24%。
小知识
融资融券：融资余额增加反映市场做多情绪强化，融资余额减少反映市场观望情绪或者看空情绪强化；相应的，融券余额增加反映市场看空情绪增强，融券余额减少反映市场观望情绪增强或者看多情绪增强。需注意的是，由于融资融券的财务杠杆效应，融资融券对投资者来说也是一把双刃剑，好比放大镜一般，盈利情况下，利润会成倍增长，亏了也能把亏损放大很多。
以上内容为证券之星据公开信息整理，由AI算法生成（网信算备310104345710301240019号），不构成投资建议。
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