请介绍你对 RLHF（基于人类反馈的强化学习）的理解。

回答思路

1. 解释 RLHF 的核心流程：监督微调、奖励模型、强化学习
2. 说明奖励模型如何基于人类偏好数据训练
3. 能提到近端策略优化（PPO）等强化学习算法
4. 讨论 RLHF 的局限和替代方案（如 RLAIF、DPO）