신경 역컴파일(Neural decompilation)은 코드 생성 문제로 점점 더 많이 연구되고 있지만, 현대 언어에 대한 그 평가 방법론은 여전히 미흡합니다. 본 논문에서는 Dart Ahead-of-Time (AOT) 신경 역컴파일을 위한 미세 조정 효과 및 지표 유효성에 대한 체계적인 실증 연구를 제시합니다. 우리는 세 가지 기본 아키텍처(4B-8B 파라미터)에 걸쳐 여섯 가지 미세 조정된 모델 변형들을 사용하고, 새로운 154개 태스크 HumanEval-Dart 벤치마크에서 CodeBLEU, compile@k, pass@k 세 가지 지표를 사용하여 평가합니다. 본 연구는 쌍을 이루는 태스크 수준의 통계적 테스트에 근거하여 세 가지 주요 결과를 도출합니다. 첫째, 어떤 미세 조정 구성도 통계적으로 유의미한 pass@k 개선을 가져오지 못했습니다. 유일하게 긍정적인 사례는 +0.71 pp (McNemar p=0.21)를 보였으나, 가장 강력한 기본 모델(Qwen3-8B)을 미세 조정하는 것은 -5.65 pp (p<0.001)라는 매우 유의미한 퇴행을 야기했습니다. 이러한 능력 의존적 추세는 아키텍처 전반에 걸쳐 일관되지만, 더 광범위한 규모 스윕이 필요합니다. 둘째, Swift 학습으로부터의 교차 언어 간섭은 4B에서 매우 유의미하게 나타났으나 (-2.66 pp, p<0.001), 8B에서는 통계적으로 0과 구별할 수 없었으며, 이는 스케일링 가설(scaling hypothesis)과 일치합니다. 셋째, 우리는 지표 발산(metric divergence)을 입증했습니다: CodeBLEU와 compile@k는 유의미하게 개선될 수 있는 반면 pass@k는 정반대의 방향으로 움직입니다. 이는 미세 조정이 피상적인 유사성을 목표로 하는 모든 LLM 코드 생성 작업에 시사하는 바가 있습니다. 오류 분석 결과, 어셈블리 시퀀스 길이가 태스크 난이도의 가장 강력한 예측 변수임이 밝혀졌으며 (p=0.001), 200개의 명령어에서 능력의 절벽(capability cliff) 현상이 나타났습니다. 우리는 Dart에 맞게 조정된 CodeBLEU인 HumanEval-Dart 벤치마크, 그리고 신경 역컴파일을 위한 주요 평가 지표는 pass@k여야 한다는 실증적 증거를 기여합니다.