从 DPO 面试题延伸：从 RLHF 到 DPO，大模型对齐方法是怎么演进的
这篇文章延伸自一道经典面试题「DPO 为什么能替代 RLHF」。真题解析聚焦两者机制差异，本文换个视角：把对齐方法拉成一条演进线，看清每一代方法到底在解决上一代的什么短板，以及今天做选型时该按什么坐标系下判断。
#DPO
经典题解析：DPO 为什么能成为 RLHF 的替代方案
先说明属性：这是一篇经典题解析，题目出自本地历史面试资料整理，与任何公司的当前招聘无关。DPO 是大模型对齐方向的高频考点，面试官真正想听的往往不是「DPO 不用强化学习」这句结论，而是它凭什么可以不要、又付出了什么代价。