diff --git a/README.md b/README.md
index 5e5398c..344b18d 100644
--- a/README.md
+++ b/README.md
@@ -13,7 +13,7 @@ convolution 的结构（不含 attention / transformer），并支持导出 ONNX
 | `data/` | 数据集本体或软链接（不入库，见 [data/README.md](data/README.md)） |
 | `scripts/` | 格式转换、数据集切分、ONNX 导出等批处理脚本 |
 | `engine/` | 训练 / 评估循环、损失、指标、优化器、检查点、SwanLab 可视化 |
-| `utils/` | 配置、注册表、日志、随机种子、GPU 守卫 |
+| `utils/` | 配置、注册表、日志、随机种子、设备解析（cuda/mps/cpu） |
 | `tests/` | 单元测试 |
 | `docs/` | 算法与数学说明文档 |
 | `figures/` | 文档用的 mermaid 图（`.mmd` 源 + `.md` 预览 + `.png`） |
@@ -148,10 +148,12 @@ uv run python scripts/profile_inference.py --config configs/train/baseline.yaml
     --checkpoint runs/baseline/best.pth --trace runs/baseline/trace.json --out runs/baseline/profile.json
 ```
 
-输出包含：每个 batch 的单帧延迟 / FPS、CUDA 显存峰值（`max_memory_allocated` 与
-`max_memory_reserved`）、权重占用，以及按显存和耗时各排一次序的算子级明细。
-`--amp` 用 fp16 推理对比，`--postprocess` 把 heatmap 解码也计入。没有 GPU 时自动退回 CPU
-（只有耗时与 CPU 内存）。
+输出包含：每个 batch 的单帧延迟 / FPS、显存峰值、权重占用，以及按显存和耗时各排一次序的
+算子级明细。`--amp` 用 fp16 推理对比，`--postprocess` 把 heatmap 解码也计入，
+`--device` 指定后端（默认 auto）。
+
+后端差异见[计算后端](#计算后端)：CUDA 给精确峰值；MPS 上 `torch.profiler` 抓不到 Metal kernel，
+算子明细只反映 CPU 侧下发耗时、显存靠采样是下界；CPU 只有耗时与 CPU 内存。
 
 ## 未分类样本的无监督聚类
 
@@ -195,27 +197,71 @@ uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml --
 视图互为正样本，batch 内其余 2B−2 个视图为负样本，用 NT-Xent 损失训练。
 
 训练走 `device: auto` 选中的后端——**Mac 上直接用 MPS 即可**，实测 14,579 张、
-batch 256 时约 65 秒/epoch：
+batch 256 时约 65 秒/epoch。
+
+#### 第一步：训练 + 聚类（一条命令）
+
+`method=simclr` 会先训练、存权重，然后直接用这份权重抽特征做聚类，不需要分两次调用：
 
 ```bash
-# 1. 自监督训练 + 聚类一步跑完（首次运行）
-uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml     --set method=simclr
-
-# 2. 只想改簇数、复用已经训好的骨架：把权重路径填进 simclr.checkpoint
-uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml     --set method=simclr simclr.checkpoint=runs/cluster/simclr_backbone.pth --num-clusters 6
-
-# 3. 调训练超参
-uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml     --set method=simclr simclr.epochs=200 simclr.batch_size=512 simclr.temperature=0.1
+uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml \
+    --work-dir runs/simclr \
+    --set method=simclr simclr.epochs=40 loader.num_workers=8
 ```
 
+按 65 秒/epoch 算，40 轮约 **45 分钟**。产出：
+
+```
+runs/simclr/
+├── simclr_backbone.pth      # 每 save_interval 个 epoch 覆盖一次；Ctrl-C 也会先落盘
+├── cluster.log
+├── assignments.csv
+├── summary.json
+├── clusters/cluster_XX/
+└── cluster_XX_preview.png
+```
+
+跑长任务建议丢后台，随时能看进度：
+
+```bash
+nohup uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml \
+    --work-dir runs/simclr \
+    --set method=simclr simclr.epochs=40 loader.num_workers=8 > runs/simclr.log 2>&1 &
+
+tail -f runs/simclr.log
+```
+
+#### 第二步：复用权重重新聚类
+
+想换簇数或改聚类参数时**不必重训**——把权重路径填进 `simclr.checkpoint` 就会跳过训练
+（日志会打印"复用已有的自监督骨架"），这一步只跑特征提取 + 聚类，约 **1 分钟**：
+
+```bash
+# 换成 k=2（实测 SimCLR 特征在 k=2 上最干净：轮廓 0.469 / 稳定性 0.991）
+uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml \
+    --work-dir runs/simclr_k2 \
+    --set method=simclr simclr.checkpoint=runs/simclr/simclr_backbone.pth \
+    --num-clusters 2
+
+# 先扫一遍簇数再决定（只打指标表，不产出分组）
+uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml \
+    --set method=simclr simclr.checkpoint=runs/simclr/simclr_backbone.pth \
+    --sweep-k 2-8
+```
+
+> 复用权重时给一个**新的 `--work-dir`**，否则新的聚类产出会覆盖同目录下的旧结果。
+
 **实测效果**（14,579 张，与 pretrained 用完全相同的聚类设置）：只训 **1 个 epoch** 的域内特征
 在 k=4 上就追平 ImageNet（轮廓 0.334 vs 0.325），在 **k=2 上大幅胜出**（轮廓 0.469、
 稳定性 0.991）——目视确认这个二分正是"有明显缺陷 / 弱纹理近空白"，可直接当作流水线的
 第一级过滤。详见 [文档 §10.5](docs/unsupervised-clustering.md#105-simclr-域内自监督-vs-imagenet-预训练)。
 
-训练每 `save_interval` 个 epoch 落一次盘，中途 Ctrl-C 也能拿到当前权重继续用。
 权重存到 `<work_dir>/simclr_backbone.pth`（**只含骨架，不含投影头**——投影头被训练成
-对增强不变，会丢掉下游有用的信息，所以聚类和保存都只用骨架特征）。相关配置：
+对增强不变，会丢掉下游有用的信息，所以聚类和保存都只用骨架特征）。
+
+#### 固化到配置
+
+每次敲 `--set` 麻烦的话，直接改 [configs/cluster/film.yaml](configs/cluster/film.yaml)：
 
 ```yaml
 method: simclr
@@ -224,12 +270,12 @@ simclr:
   # 自监督用项目自己的纯卷积骨架（与 method=pretrained 的顶层 `backbone` 各自独立，
   # 两者字段完全不同，分开配置以免 _base_ 合并时串味）
   backbone: {name: tiny_conv, in_channels: 3, widths: [32, 64, 128, 256], depths: [1, 2, 2, 2]}
-  epochs: 100
+  epochs: 40
   batch_size: 256
   temperature: 0.2          # 越小越关注难负样本
   amp: auto                 # CUDA 上开、MPS 上关
   save_interval: 5          # 每 5 个 epoch 落一次盘
-  checkpoint: null          # 填已有权重可跳过重复训练
+  checkpoint: null          # 填 runs/simclr/simclr_backbone.pth 即可跳过重复训练
   projection: {hidden_channels: 256, out_channels: 128}
   optimizer: {name: adamw, lr: 0.001, weight_decay: 0.0001}
   scheduler: {name: cosine}
@@ -244,6 +290,9 @@ view_transforms:            # 生成两个视图的随机增强
 > `RandomResizedCrop` 的 `scale` 下限别低于 0.4：裁太狠会让两个视图都只剩背景，
 > "背景 vs 背景"被当成正样本对，学出来的特征会退化。
 
+> SimCLR 训练目前**没有接 SwanLab**，只往 `<work_dir>/cluster.log` 打文本日志，
+> 盯 loss 要看日志（`grep "完成 loss" runs/simclr/cluster.log`）。
+
 训练出的骨架和检测模型用的是同一套卷积骨架，可以直接拿去初始化 `DefectNet` 的 backbone——
 标注量有限时，通常比 ImageNet 权重更贴合薄膜的成像特性。