notebook(rlhf-demo): 完善 RLHF 训练流程实现

- 实现 RM（奖励模型）训练的完整流程
  - 数据加载与格式转换
  - 模型配置与 LoRA 支持
  - RewardTrainer 训练器构造
- 实现 PPO（强化优化）训练的完整流程
  - 策略模型和参考模型加载
  - PPO 训练器配置
  - 训练流程详细说明
- 实现 DPO（直接偏好优化）的完整流程
  - DPO 原理说明和流程对比
  - 数据准备与模型加载
  - DPOTrainer 训练器构造
  - DPO vs RM+PPO 完整对比分析
- 添加三阶段权重存储详解
  - SFT、RM、PPO 的权重存储细节对比

Author: arkin-dev