diff --git a/ginka/utils.py b/ginka/utils.py
index 114f5f6..a7845ec 100644
--- a/ginka/utils.py
+++ b/ginka/utils.py
@@ -39,26 +39,31 @@ def masked_focal(
     target: torch.Tensor,
     tile_set: set,
     gamma: float = 2.0,
+    balance: bool = True,
 ) -> torch.Tensor:
     """
-    通道专属 Focal Loss：tile_set 内的位置以真实 tile ID 为目标，
-    tile_set 外的位置以 0（空地）为目标，全部位置均参与损失计算。
+    通道专属 Focal Loss + 逆频类别权重。
 
-    这样模型不仅要学会"这里是什么 tile"，还要学会"这里不应该是本通道的 tile"，
-    避免解码器在所有位置都输出专属类别来规避损失。
+    tile_set 内的位置以真实 tile ID 为目标，tile_set 外的位置以 0（空地）为目标，
+    全部位置均参与损失计算。
+
+    balance=True 时，从 batch 内 corrected 标签的频率自动计算逆频权重，
+    消除空地（0）因被大量 non-tile-set 位置填充而主导梯度的问题。
+    权重公式：w[c] = total / (count[c] * C)，与 sklearn 'balanced' 一致。
 
     Args:
         logits:   [B, H*W, num_classes]  解码头输出（未经 softmax）
         target:   [B, H*W]               完整地图 ground truth（整数 tile ID）
         tile_set: set of int             本通道专属 tile 集合
         gamma:    Focal Loss 聚焦参数
+        balance:  是否开启逆频类别权重
 
     Returns:
-        scalar tensor  通道专属 Focal Loss（均值）
+        scalar tensor  通道专属加权 Focal Loss（均值）
     """
     B, S, C = logits.shape
 
-    # 非专属 tile 位置目标替换为 0（空地），专属 tile 位置保持原始标签
+    # 非专属 tile 位置目标替换为 0（空地）
     in_set = torch.zeros(B, S, dtype=torch.bool, device=logits.device)
     for t in tile_set:
         in_set |= (target == t)
@@ -66,10 +71,18 @@ def masked_focal(
     corrected = target.clone()
     corrected[~in_set] = 0
 
-    # Focal Loss，全部位置参与计算
+    # 逆频类别权重：batch 内频率越高，权重越小
+    class_weight = None
+    if balance:
+        flat   = corrected.view(-1)                             # [B*S]
+        counts = torch.bincount(flat, minlength=C).float()     # [C]
+        class_weight = flat.numel() / (counts.clamp(min=1.0) * C)
+        class_weight[counts == 0] = 0.0                        # 未出现类别不参与
+
     ce = F.cross_entropy(
         logits.view(-1, C),
         corrected.view(-1),
+        weight=class_weight,
         reduction='none',
     ).view(B, S)                          # [B, S]