请从理论角度解释为什么使用 DPO 而非传统的 RLHF 方法。

回答思路

1. 说明 DPO 将 RLHF 的偏好优化转化为分类问题
2. 解释 DPO 如何避免显式奖励建模与强化学习采样
3. 说明 DPO 的稳定性与计算效率优势
4. 提及 DPO 的理论假设或局限性