객관식 질의응답(MCQA) 벤치마크는 보통 소형 언어 모델(Small Language Models, SLMs)을 직접적인 답변자로 평가하지만, 실제로 배포된 언어 모델 시스템은 도구(tools), 코드, 반복적인 모델 호출과 같은 외부 스캐폴드(scaffolds)에 점점 더 많이 의존하고 있습니다. 본 연구에서는 실행 가능한 추론 스캐폴드가 MCQA 작업에서 SLM의 성능을 언제 향상시키는지 측정하기 위한 평가 프로토콜이자 생성된 프로그램 리소스인 코드 가이드 추론(Code-Guided Reasoning, CGR)을 소개합니다. CGR은 정규화된 문항 인터페이스(normalized item interface), 직접 솔버 프롬프트(direct solver prompt), 생성기 프롬프트(generator prompt), Python 스캐폴드, 솔버 호출(solver-call) 및 추출 헬퍼(extraction helpers), 그리고 3채널 결과 기록(three-channel result record)의 6가지 구성 요소를 표준화합니다. 로컬에서 준비된 MCQA 번들과 6개의 메타데이터 등록 솔버 모델로부터 추출한 20,498개의 보존된 결과 행을 대상으로 분석한 결과, 관찰된 비제로-베이스라인(non-zero-baseline) 파티션은 66.21%의 매크로 보조 정확도(macro assisted accuracy)를 보였으며, 이는 38.11%의 직접 정확도(direct accuracy)와 비교하여 [20.32, 36.43]의 쌍-부트스트랩 구간(pair-bootstrap interval) 내에서 +28.10%포인트의 차이를 나타냅니다. 더 엄격한 Ab > 30% 직접 신호 게이트(direct-signal gate) 하에서는 매크로 차이가 +14.11포인트입니다. 이러한 추정치는 기술적(descriptive)입니다. 보조 추론(Assisted inference)은 더 큰 솔버 호출 예산을 사용하며, 정답 추출은 취약하고, Time-MQA에는 관찰된 퇴보(regressions)가 포함되어 있으며, 일부 생성된 프로그램은 하드코딩 금지(no-hard-coding) 지침을 위반합니다. CGR은 직접, 보조 및 생성기 측 답변, 파티션 정의, 생성된 프로그램, 응답 메타데이터 및 감사(audits)를 포함하여 이러한 결과를 해석하는 데 필요한 추적 패키지(trace package)를 제공합니다.