对齐：SFT、RLHF 与 DPO

⚠️ 示例笔记（验收用），替换真实知识内容时直接删除本文件。

指令微调（SFT）

用高质量指令数据做监督微调。

偏好对齐

RLHF 与更简的 DPO 路线对比。