diff --git a/ginka/train_vq.py b/ginka/train_vq.py
index 6d9eb37..fbf42b9 100644
--- a/ginka/train_vq.py
+++ b/ginka/train_vq.py
@@ -625,14 +625,21 @@ def train():
             # 4. z 一致性约束（方案 A）：将 MaskGIT 的 logits 经温度平滑后
             #    与 VQ 编码器的 tile embedding 做加权求和，得到软嵌入序列，
             #    再送入编码器得到 z_pred_e，约束其与真实 z_e 对齐。
-            #    梯度从 z_pred_e 回传到 MaskGIT 的 logits（以及 VQ encoder 的权重）；
-            #    z_e 作为 detach 后的监督目标，不产生梯度。
+            #    梯度从 z_pred_e 回传到 MaskGIT 的 logits；
+            #    VQ 参数在此路径上临时冻结（requires_grad=False），
+            #    确保编码器权重仅由真实地图路径（vq_loss）更新，不被一致性损失带偏。
+            for p in model_vq.parameters():
+                p.requires_grad_(False)
+
             soft_probs = F.softmax(logits / CONSIST_TEMP, dim=-1)            # [B, H*W, V]
             tile_emb   = model_vq.tile_embedding.weight                      # [V, d_model]
             soft_emb   = soft_probs @ tile_emb                               # [B, H*W, d_model]
             z_pred_e   = model_vq.encode_soft(soft_emb)                      # [B, L, d_z]
             consist_loss = F.mse_loss(z_pred_e, z_e.detach())
 
+            for p in model_vq.parameters():
+                p.requires_grad_(True)
+
             # 5. 联合损失
             loss = masked_ce + vq_loss + CONSIST_LAMBDA * consist_loss