在 DPO（直接偏好优化）训练过程中，你会重点关注哪些评估指标？为什么？

回答思路

1. 能列举针对性指标（如奖励模型得分、人类偏好一致率、生成质量指标）
2. 解释指标与 DPO 目标的关联（偏好优化而非单纯奖励最大化）
3. 提及防止过拟合或利用奖励模型的技巧（如 KL 控制）
4. 结合具体场景说明指标的取舍和原因