机器学习面试指南：RLHF 核心三步与机制拆解

RLHF 训练被拆解为监督微调（SFT）、奖励模型训练与 PPO 三大阶段，并强调用 KL 散度约束防止模型过度刷分。内容还补充了 DPO 替代方案及 reward hacking 防范等高频面试考点。