在训练大语言模型时，如何权衡监督微调（SFT）和强化学习（RL）的使用？

回答思路

1. 能简述SFT与强化学习在训练目标和方法上的本质区别
2. 能说明SFT适合学习分布和格式，RL适合对齐人类偏好与奖励优化
3. 能结合实际场景分析何时需要SFT、何时需要RL或两者结合
4. 能提及数据质量、成本、稳定性和评估方式等权衡因素