该论文系统性地评估了针对 Dart Ahead-of-Time (AOT) 编译二进制的神经反编译任务中，微调策略与评估指标的有效性。神经反编译将二进制代码转换为高级语言源代码，常被视为代码生成问题，但现有评估方法对现代语言支持不足。作者构建了 HumanEval-Dart 基准测试集（包含 154 个任务），并基于三个基础架构（参数量 4B-8B）微调了六个模型变体，使用 CodeBLEU、compile@k 和 pass@k 三个指标进行评估。主要发现有三：第一，没有任何微调配置能带来统计显著的 pass@k 提升，唯一正向案例仅提升 0.71 个百分点（p=0.21），而对最强基础模型 Qwen3-8B 微调反而导致 pass@k 显著下降 5.65 个百分点（p<0.001），表明微调效果与模型容量负相关；第二，来自 Swift 训练的跨语言干扰在 4B 模型上显著（-2.66 pp, p<0.001），但在 8B 模型上不显著，符合缩放假设；第三，指标存在分歧：CodeBLEU 和 compile@k 可能显著提升而 pass@k 反向下降，说明优化表面相似性未必提升功能正确性。错误分析显示汇编序列长度是任务难度的最强预测因子（p=0.001），且存在 200 条指令的能力悬崖。论文贡献包括 HumanEval-Dart 基准、Dart 适配的 CodeBLEU 以及强调 pass@k 应作为神经反编译的主要评估指标。