feat(cluster): 新增 resnet18 自监督聚类配置，并修复 --set 的 YAML 标量解析

- 新增 configs/cluster/film_simclr_resnet18.yaml：用 resnet18 做域内自监督后聚类。
  backbone 块带 _replace_，避免 base 里 tiny_conv 的 widths/depths 残留
- parse_override 此前只用 ast.literal_eval，不认 YAML 风格的 null/true/false：
  `--set xxx.enabled=false` 会得到字符串 "false"，而非空字符串是真值，开关反被打开。
  改为先试 Python 字面量（保住 1e-3 这类），再退回 YAML 标量解析
- feature_stages 默认由 null 改为 [5, 6]：实测 1 epoch 自监督后 layer2+3 的轮廓
  0.243/稳定性 0.997，明显优于 layer4 的 0.156/0.528。原注释里"自监督后 layer4
  已是域内特征"的推断被数据推翻
- README 补充三种方案的实测对比与成本

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

README.md

@@ -373,6 +373,25 @@ view_transforms:            # 生成两个视图的随机增强
 
 #### 换一个骨架
 
+**仓库自带 resnet18 的现成配置**，直接用：
+
+```bash
+uv run python scripts/cluster_unlabeled.py --config configs/cluster/film_simclr_resnet18.yaml \
+    --work-dir runs/simclr_r18 --set simclr.epochs=40
+```
+
+注意默认的 `method: pretrained` 用的**也是 resnet18**（ImageNet 权重，不训练，约 51 秒出结果）；
+上面这个配置是在 `data/film` 上自监督训练它。两者实测对比（14,579 张，k=4）：
+
+| 方案 | 轮廓 | 稳定性 | 成本 |
+| --- | --- | --- | --- |
+| pretrained resnet18（ImageNet，不训练） | **0.326** | **0.964** | 约 51 秒 |
+| SimCLR tiny_conv（1 epoch） | 0.334 | 0.873 | 65 秒/epoch |
+| SimCLR resnet18（1 epoch） | 0.243 | 0.997 | 93 秒/epoch，显存 315 MB |
+
+resnet18 参数量是 tiny_conv 的 37 倍（11.2M vs 0.3M），1 个 epoch 远不够收敛——
+上表只是**下界**，要用它就得训几十轮。想快速出结果，默认的 pretrained 或 tiny_conv 更划算。
+
 `simclr.backbone` 用的是和检测模型同一套注册表，可选：
 
 | `name` | `arch` | out_channels | 说明 |