diff --git a/README.md b/README.md
index 59be879..0629073 100644
--- a/README.md
+++ b/README.md
@@ -470,7 +470,7 @@ view_transforms:            # 生成两个视图的随机增强
 
 #### 换一个骨架
 
-**仓库自带 resnet18 / resnet50 的现成配置**，直接用：
+**仓库自带 resnet18 / resnet50 / resnet101 的现成配置**，直接用：
 
 ```bash
 uv run python scripts/cluster_unlabeled.py --config configs/cluster/film_simclr_resnet18.yaml \
@@ -478,6 +478,9 @@ uv run python scripts/cluster_unlabeled.py --config configs/cluster/film_simclr_
 
 uv run python scripts/cluster_unlabeled.py --config configs/cluster/film_simclr_resnet50.yaml \
     --work-dir runs/simclr_r50 --set simclr.epochs=40
+
+uv run python scripts/cluster_unlabeled.py --config configs/cluster/film_simclr_resnet101.yaml \
+    --work-dir runs/simclr_r101 --set simclr.epochs=40
 ```
 
 两者在 Apple MPS 上的实测开销（14,579 张，128×128 双视图）：
@@ -486,6 +489,7 @@ uv run python scripts/cluster_unlabeled.py --config configs/cluster/film_simclr_
 | --- | --- | --- | --- | --- |
 | resnet18 | 11.2M | 384 | 约 93 秒 | 1024 可用 |
 | resnet50 | 23.5M | 1536 | 约 155 秒 | **1024 会 OOM**（需 18.7 GiB），配置里用 256 |
+| resnet101 | 42.5M | 1536 | 未实测 | 配置里用 128（按规模比例保守取值） |
 
 resnet50 每 epoch 的耗时与 batch 基本无关（算力受限），所以显存不够时往下调 batch 不花额外时间，
 只是 NT-Xent 的负样本变少。
@@ -508,7 +512,8 @@ resnet18 参数量是 tiny_conv 的 37 倍（11.2M vs 0.3M），1 个 epoch 远
 | --- | --- | --- | --- |
 | `tiny_conv` | — | 256（可调） | 自研深度可分离卷积，默认，最轻 |
 | `torchvision` | `resnet18` / `resnet34` | 512 | 通用基线 |
-| `torchvision` | `resnet50` | 2048 | 最强也最重，MPS 上注意 batch |
+| `torchvision` | `resnet50` | 2048 | 更强也更重，MPS 上注意 batch |
+| `torchvision` | `resnet101` | 2048 | 最深，首次使用会下载约 171 MB 权重 |
 | `torchvision` | `mobilenet_v3_small` / `_large` | 576 / 960 | 面向实时部署 |
 | `torchvision` | `shufflenet_v2_x1_0` | 1024 | 同上 |
 
diff --git a/configs/cluster/film_simclr_resnet101.yaml b/configs/cluster/film_simclr_resnet101.yaml
new file mode 100644
index 0000000..fd8ea0e
--- /dev/null
+++ b/configs/cluster/film_simclr_resnet101.yaml
@@ -0,0 +1,40 @@
+# 用 resnet101 做域内自监督（SimCLR）再聚类。
+#
+# 与 film_simclr_resnet18/50 的区别只有骨架和 batch_size，其余超参保持一致，
+# 方便横向对比三个骨架。
+#
+# 用法：
+#   uv run python scripts/cluster_unlabeled.py --config configs/cluster/film_simclr_resnet101.yaml \
+#       --work-dir runs/simclr_r101 --set simclr.epochs=40
+_base_:
+  - ./film.yaml
+
+method: simclr
+
+num_clusters: 5
+
+simclr:
+  backbone:
+    # _replace_ 必须保留：不加的话 base 里 tiny_conv 的 widths/depths/block 会残留，
+    # 传给 TorchvisionBackbone 直接报错。见 utils/config.py::deep_merge
+    _replace_: true
+    name: torchvision
+    arch: resnet101
+    pretrained: true      # 首次使用会下载 ImageNet 权重（约 171 MB）；改 false 则随机初始化
+    in_channels: 3
+
+  # torchvision 的 features 是 nn.Sequential，可以取中间层（4~7 = layer1~4）。
+  # 沿用 resnet18 上的实测结论：layer2+3 明显优于 layer4，缺陷差异主要在纹理层面。
+  # resnet101 的 layer2+3 是 512+1024=1536 维，与 resnet50 相同（都是 Bottleneck 结构），
+  # 差别在深度：resnet101 的 layer3 有 23 个 block，resnet50 只有 6 个。
+  feature_stages: [5, 6]
+
+  # 三个骨架的规模对比：resnet18 11.2M / resnet50 23.5M / resnet101 42.5M。
+  # batch_size 取 128 是保守值——Apple MPS 上实测 resnet50 在 batch 1024 就 OOM（要 18.7 GiB），
+  # resnet101 约重 1.8 倍，故再降一档。
+  # 注意上面的数字来自 MPS；在 16 GB 独显（如 RTX 4080 SUPER）上可以往上调，
+  # NT-Xent 的负样本越多下界越紧，显存够就尽量开大。
+  batch_size: 128
+
+  epochs: 2500
+  optimizer: {name: adamw, lr: 0.0001, weight_decay: 0.00001}
diff --git a/models/backbones/resnet.py b/models/backbones/resnet.py
index 105371f..119067b 100644
--- a/models/backbones/resnet.py
+++ b/models/backbones/resnet.py
@@ -12,6 +12,7 @@ _SUPPORTED = {
     "resnet18": 512,
     "resnet34": 512,
     "resnet50": 2048,
+    "resnet101": 2048,
     "mobilenet_v3_small": 576,
     "mobilenet_v3_large": 960,
     "shufflenet_v2_x1_0": 1024,