介绍下RLHF的基本流程，与DPO的差异是什么？

回答思路

1. 能清晰描述RLHF三阶段：SFT、奖励模型训练、PPO强化学习
2. 能说明DPO的核心理念：从偏好数据直接优化策略，无需独立奖励模型和强化学习采样
3. 能从训练稳定性、计算成本、超参数敏感度等维度对比RLHF与DPO
4. 能结合实际场景说明两种方法的适用条件与局限