《潮湿之心》全网免费观后：细腻情感演绎，治愈人心的动漫盛宴，A股午评：三大指数集体上涨，沪指涨0.43%创指涨1.22%，AI硬件概念领涨！近4000股上涨，成交额7425亿缩量214亿看似无害的提问，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前来现场登记的新人于先生表示，现在上海各类特色婚姻登记点不少，而在环球港52楼的“云端婚姻登记点”能高空俯瞰上海城市天际线，饱览苏州河两岸的美景。
人类的情感世界如同一汪深邃而神秘的海洋，充满了酸甜苦辣、喜怒哀乐。其中，《潮湿之心》这部动漫以其独特的艺术风格和细腻的人物塑造，为我们呈现了一场深度情感体验的盛宴，让人在轻松愉快的也能感受到治愈人心的力量。
《潮湿之心》是由日本动画公司NHK制作的一部以治愈为主题的儿童动画片，自2019年上映以来，凭借其精良的画面质量、动人的剧情故事以及深入人心的角色形象，赢得了广大观众的喜爱。整部动画共分为七集，每集的主题都是关于一个勇敢的小男孩——杰克，他的生活充满坎坷与挫折，但他始终保持着对生活的热爱和对梦想的执着追求，他在面对困难时，总是以积极的态度去应对，他的心灵深处隐藏着一份深深的潮湿，这便是他被称为"湿润的心"的原因。
在每一集中，杰克的故事都在向我们展示了一个充满真实感的生命历程。他遭遇了失去亲人的痛苦、被冤枉的愤怒、学业上的挫败等困境，但他并没有因此消沉下去，反而用他的坚强和乐观去面对生活的挑战。他的内心世界充满了湿漉漉的感觉，这种感觉既包含了他对亲情的深深思念，也包含了他对友情的理解和接纳，还包含了他对未来的期许和向往。
《潮湿之心》中的角色塑造非常独特，每个主角都有鲜明的性格特点和深厚的情感底蕴。杰克天真无邪，对生活充满热情；小艾则是一位聪明善良的女孩，她对杰克的成长有着无私的关怀和支持；而艾米则是杰克的朋友，他们共同成长，相互扶持，共同经历人生的起起伏伏。这些角色的形象生动鲜活，他们的感情脉络清晰可见，深深地打动了每一位观看者的心灵。
动画片的叙事手法也非常巧妙，它采用了现实主义与虚构相结合的方式，将人物的真实情感融入到故事情节中，使得人物的行为动机和心理状态都更加真实可信。例如，在第三集中，杰克为了救小艾而冒险进入森林，这段情节让我们看到了杰克对于朋友的深情厚谊和敢于担当的责任心。这样的叙述方式让观众能够更好地理解和感受到杰克的情感世界，使整个故事更具感染力。
《潮湿之心》是一部全方位展现人性光辉的动画作品，它以细腻的情感描绘和深沉的人物刻画，成功地治愈了观众的心灵，让他们在欢笑中收获感动，在泪水中品味人生。这部作品不仅给孩子们带来了欢乐，也为成人观众留下了深刻的印象，成为了动漫界的一颗璀璨明珠。无论是欣赏这部作品的艺术魅力，还是从中汲取生活的智慧，相信都能使每一个人都深受启发，为自己的生活之路注入更多的正能量。
格隆汇6月4日｜A股主要指数早盘集体上涨，截至午盘，沪指涨0.43%报3376.58点，深成指涨0.91%，创业板指涨1.22%，北证50指数涨1.16%。全市场半日成交额7425亿元，较上日缩量214亿元，近4000只个股上涨。
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