Ollama와 같은 로컬 추론 프레임워크의 채택이 증가함에 따라, 개발자들이 노트북 및 기타 자원 제약적인 하드웨어에서 대규모 코드 모델을 실행하는 것이 점점 더 흔해지고 있습니다. 이러한 환경에서는 메모리 사용량을 줄이고 실제 배포를 가능하게 하는 데 있어 사후 학습 양자화(post-training quantization)가 필수적이지만, 이것이 생성된 코드에 미치는 영향은 여전히 충분히 이해되지 않고 있습니다. 우리는 두 가지 대표적인 대규모 코드 모델 계열인 Qwen2.5-Coder와 CodeLlama에 대해 여섯 가지 최신 양자화 방법(GPTQ, AWQ, QuIP#, AQLM, BitsAndBytes, GGUF)을 사용하여 다국어 McEval 및 Python과 Java를 위한 CoderEval 벤치마크에서 경험적으로 평가합니다. 우리는 기능적 정확성(pass@1)뿐만 아니라 유지보수성, 신뢰성, 보안성, 구조적 복잡성을 함께 평가합니다. 또한 샤논 엔트로피와 토큰 길이에 의해 특징지어지는 다양한 프롬프트 복잡도 하에서의 강건성에 대한 새로운 분석을 도입합니다. 우리의 결과는 양자화 기술들이 정확성과 코드 품질에 미치는 영향에서 의미 있는 차이를 보인다는 것을 보여줍니다. AQLM은 일관되게 또는 전체 정밀도 기준선(full-precision baseline)과 같거나 그 이상의 성능을 보였던 반면, QuIP#는 특히 복잡한 프롬프트에서 가장 큰 정확성 저하를 보였습니다. 보안 속성은 모델, 벤치마크 및 프로그래밍 언어 전반에 걸쳐 안정적으로 유지되는 반면, 프롬프트 복잡도에 대한 강건성은 기술마다 다르게 나타납니다. 이러한 발견은 자원 제약적인 하드웨어에서 대규모 코드 모델을 배포하기 위한 양자화 전략 선택에 실질적인 지침을 제공하며, 기능적 정확성을 넘어선 양자화된 모델 평가의 중요성을 강조합니다.