MeanFlowは最近、わずか数ステップで訓練される生成モデルの強力な枠組みとして注目を集めていますが、その成功のメカニズムは十分に理解されていません。本研究では、MeanFlowの目的が軌跡フローの一致と軌跡の一貫性という二つの部分に自然に分解されることを示しました。勾配分析により、これらの項が強く負の相関を持ち、最適化の競合や収束の遅さを引き起こしていることが明らかとなりました。この洞察をもとに、$eta$-Flowという新たな目的のファミリーを提案し、軌跡フローの一致、ショートカットモデル、MeanFlowの統一を図りました。カリキュラム戦略を採用し、競合する目的を分離することで、$eta$-Flowはより良い収束を達成します。クラス条件付きImageNet-1K 256x256に対して訓練した結果、$eta$-Flowは様々なスケールと設定でMeanFlowを一貫して上回る成果を示しました。