Run any Skill in Manus with one click

base64-amd64-avx512vbmi

Stars17

Forks0

UpdatedMarch 10, 2026 at 09:30

实现 amd64 架构下 AVX512 VBMI 加速的 BASE64 编解码 Go 汇编代码。Use when: 在 amd64 平台扩展 base64 的 AVX512 实现、编写 EVEX-512 汇编、使用 VPERMB/VPERMI2B/VPMULTISHIFTQB 实现高效编解码、amd64 Go assembly AVX512 SIMD optimization。

Installation

Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.

Run Skill in Manus

Source

emmansun

emmansun/base64

View GitHub Repository View Creator Repositories

Download

Run Skill in Manus

Related occupationsSOC

Based on SOC occupation classification

Computer ProgrammersComputer and Mathematical Occupations·SOC 15-1251

File Explorer

2 files

SKILL.md

readonly

AMD64 AVX512 VBMI BASE64 实现技能

适用场景

在现有 base64_amd64.s 中新增 AVX512 VBMI（512-bit）编解码路径
利用 VPERMB / VPERMI2B / VPMULTISHIFTQB 指令实现比 AVX2 更简洁高效的算法
调试 AVX512 汇编逻辑（本地无 AVX512，需远程验证）

设计决策

1. 仅实现 AVX512 VBMI 路径

不实现 AVX512F+BW-only（无 VBMI）路径。理由：

VPERMB / VPERMI2B 是算法的关键突破，没有 VBMI 则算法退化为"更宽的 AVX2"，收益有限
AVX2 已能高效处理 32 字节/轮，对于无 VBMI 的 CPU（Skylake-X、Zen 4）已足够
减少代码复杂度和维护负担

CPU 检测条件：

cpu.X86.HasAVX512F && cpu.X86.HasAVX512BW && cpu.X86.HasAVX512VBMI

扩展要求补充：

512-bit VPERMB / VPERMI2B / VPMULTISHIFTQB 路径的关键特性位是 AVX512VBMI
保持现有工程门控：AVX512F + AVX512BW + AVX512VBMI。这样与当前 ZMM 字节/字操作、现有 fallback 逻辑和测试假设一致
如果未来实现 128-bit / 256-bit VPMULTISHIFTQB 变体，则额外需要 AVX512VL

支持的 CPU 覆盖：

CPU 系列	AVX512F	AVX512BW	AVX512VBMI	命中路径
Ice Lake / Tiger Lake / Alder Lake-P	✅	✅	✅	AVX512
Rocket Lake	✅	✅	✅	AVX512
Zen 5	✅	✅	✅	AVX512
Zen 4 EPYC (Genoa / Bergamo)	✅	✅	✅	AVX512
Skylake-X / Cascade Lake	✅	✅	❌	AVX2
Haswell ~ Coffee Lake	❌	❌	❌	AVX2
Sandy/Ivy Bridge	❌	❌	❌	SSE3（或 AVX，见决策 2）

更正： 先前把 Zen 4 写成“无 VBMI”是不准确的。至少 simdenc 在 AMD EPYC Zen 4 上的公开研究明确记录了 AVX-512F, DQ, CD, BW, VL, IFMA, VBMI, VBMI2, VNNI, BITALG, VPOPCNTDQ, BF16。因此对于服务器端 Zen 4（EPYC Genoa / Bergamo 一类），应视为支持 AVX512VBMI。

补充说明： 不同产品线/BIOS/虚拟化环境是否暴露 AVX512 可能不同，但对本 skill 而言，CPU 能力判断应以运行时 CPUID 结果为准，而不是把 Zen 4 笼统归为“无 VBMI”。

2. 移除 AVX（无 AVX2）路径，保留 SSE3 和 AVX2

理由：

AVX-only（无 AVX2）的 CPU 仅存在于 Sandy Bridge / Ivy Bridge 时代（2011–2012），已极为罕见
AVX 路径与 SSE3 算法相同，仅使用 VEX 编码（3 操作数非破坏性），性能差异极小
移除后减少约 100+ 行汇编代码，降低维护成本

移除范围：

base64_asm.go 中删除 var useAVX = cpu.X86.HasAVX
base64_amd64.s 中删除 encodeAsm 的 avx/avx_loop/avx_done 分支
base64_amd64.s 中删除 decodeStdAsm/decodeUrlAsm 的 avx/avx_loop/avx_done 分支
删除 AVX_ENC / AVX_DECODE_VALIDATE / AVX_DECODE_RESHUFFLE 宏定义

保留路径（移除 AVX 后）：

encodeAsm / decodeStdAsm / decodeUrlAsm 内部 dispatch:
  useAVX512VBMI → avx512 路径（新增）
  useAVX2       → avx2 路径（保留）
  fallthrough   → SSE3 路径（保留）

3. 复用现有函数签名

不新增 Go 函数，直接在现有汇编函数内部增加 AVX512 分支：

TEXT ·encodeAsm(SB),NOSPLIT,$0
    // 先检查输入长度，避免输入不足时白白加载 ZMM 常量
    CMPQ CX, $64
    JB   enc_not_avx512
    CMPB ·useAVX512VBMI(SB), $1
    JE   avx512
enc_not_avx512:
    CMPB ·useAVX2(SB), $1
    JE   avx2
    // SSE3 fallback ...

好处：

Go 层 base64_asm.go 的 encode() / decode() 完全不需要修改
与 loong64 的 LSX/LASX 分支模式一致
测试自动覆盖所有路径
输入长度预检：当 CX < 64 时直接跳过 AVX512 检查，避免加载无用的 ZMM 常量（每个函数各有独立 label：enc_not_avx512、stddec_not_avx512、urldec_not_avx512）

4. Go 层变量设计

在 base64_asm.go 中新增：

var useAVX512VBMI = cpu.X86.HasAVX512F && cpu.X86.HasAVX512BW && cpu.X86.HasAVX512VBMI

删除：

var useAVX = cpu.X86.HasAVX  // 移除

环境约束

环境	用途	AVX512 支持
本地开发	交叉编译、语法检查	❌ 不支持
GitHub Actions `ci.yml`	原生 amd64 测试	⚠️ 待确认（需在 CI 中检测）
远程 AVX512 机器	运行时验证	✅ 需要 Ice Lake 或更新

关键区别： 与 loong64 不同，amd64 CI 可能直接在原生 x86-64 上跑。需在测试中检测 AVX512 是否可用：

func TestAVX512Encode(t *testing.T) {
    if !useAVX512VBMI {
        t.Skip("AVX512 VBMI not supported")
    }
    // ...
}

如果 GitHub Actions 不支持 AVX512：

方案 A（已实现）：添加 t.Skip + ci.yml 的 avx512 job 报告 skip 状态
方案 B（已实现）：使用 Intel SDE（Software Development Emulator）— 见 amd64_avx512_sde.yml
方案 C：找到支持 AVX512 的 CI runner（如 AWS c6i/m6i Ice Lake 实例）

Intel SDE 用法（amd64_avx512_sde.yml）：

# 0. Ubuntu 上需先禁用 yama ptrace 限制（SDE 基于 Pin，需要 ptrace attach）
sudo sysctl -w kernel.yama.ptrace_scope=0

# 1. 从 Intel 下载页动态提取真实 CDN URL 并安装（无需硬编码版本号）
URL="$(curl -sL 'https://www.intel.com/content/www/us/en/download/684897/intel-software-development-emulator.html' | \
  grep -oP '(?<=data-href=")(https://[^"]+)/sde-external-([0-9.\-]+)-lin\.tar\.xz' | head -n1)"
mkdir -p /opt/intel/sde
curl -sL "${URL}" | tar --strip-components 1 -JxC /opt/intel/sde

# 2. 编译测试二进制
go test -c -o base64.test .

# 3. 通过 SDE 运行（-icl 模拟 Ice Lake，含 AVX512 VBMI）
/opt/intel/sde/sde64 -icl -- ./base64.test -test.run 'AVX512' -test.v
/opt/intel/sde/sde64 -icl -- ./base64.test -test.bench 'AVX512' -test.benchtime 1x -test.run '^$' -test.v

关键: downloadmirror.intel.com 的直接 URL 无效（需要 JS 跳转）。正确方式是解析下载页 HTML 中的 data-href 属性获取真实 CDN URL，参考 simd-everywhere/simde 的做法。SDE 通过拦截 CPUID 让 cpu.X86.HasAVX512VBMI 在 init 时返回 true，AVX512 指令执行由软件模拟。

本地编译验证命令（与平台一致，无需交叉编译）：

go build ./...

算法设计

参考实现

simdenc (dans-stuff/simdenc) — Go + AVX512 VBMI 参考
Wojciech Muła 的 base64 算法分析

Go 1.25 AVX512 指令支持

✅ 完全原生支持，无需 WORD 编码。所有指令均在 avx_optabs.go 中有 EVEX-512 编码：

Intel 助记符	Go 助记符	用途
VPERMB	VPERMB	Encode: 64 字节 LUT 单指令查表
VPERMI2B	VPERMI2B	Decode: 128 字节合并校验+翻译
VPMULTISHIFTQB	见当前 Go 汇编器支持情况	Encode: 在 64-bit lane 内一次提取 8 个 sextet
VPMADDUBSW	VPMADDUBSW	Decode: 6-bit 字段合并
VPMADDWD	VPMADDWD	Decode: 12-bit → 24-bit 压缩
VPSHUFB	VPSHUFB	Decode: 字节重排
VPSUBB	VPSUBB	Encode/Decode: 字节减法
VPADDB	VPADDB	Encode/Decode: 字节加法
VPAND / VPORD	VPANDD / VPORD	位运算
VMOVDQU32	VMOVDQU32	512-bit 加载/存储
VPSRLW	VPSRLW	位移
VPMOVB2M	VPMOVB2M	提取字节符号位到 mask 寄存器
VPCMPB	VPCMPB	字节比较，结果写到 mask 寄存器
VPXORD	VPXORD	512-bit XOR（归零）
KTESTQ	KTESTQ	测试 64-bit mask 是否有置位
VEXTRACTI32X4	VEXTRACTI32X4	从 ZMM 提取 16 字节到 XMM
VBROADCASTI32X4	VBROADCASTI32X4	将 XMM（16 字节）广播到 ZMM 的 4 个 lane

⚠️ 重要：常见 AVX512 指令在 Go 汇编中通常不加 AV 前缀，助记符与 AVX2 相同（但使用 ZMM 寄存器时汇编器自动选择 EVEX 编码）。VPMULTISHIFTQB 属于较新的 VBMI 指令，落地前应先用本地 Go 版本验证汇编器接受的准确助记符拼写。

Encode 算法（VPERMB 路径）

核心思想： 复用已有的 SSE/AVX2 mulhi/mullo 技术提取 6-bit 索引，再用 64 字节 LUT + VPERMB 一条指令完成索引 → ASCII 映射。

LUT 选择（setup，循环外）：

encodeAsm 接收一个 lut *[16]byte 参数（SI），是 SSE/AVX2 路径用的 16 字节 lut。 AVX512 路径通过读取该 lut 的 byte[12] 来判断 std/url：

Standard lut 的 byte[12] = 0xED
URL-safe lut 的 byte[12] = 0xEF（只有最后一个 nibble 不同）

avx512:
    MOVQ SI, R9       // save lut pointer for AVX2 tail fallback
    MOVBLZX 12(SI), R8
    CMPB R8, $0xED
    JNE avx512_url_enc
    VMOVDQU32 enc512_std_lut<>(SB), Z4
    JMP avx512_enc_start
avx512_url_enc:
    VMOVDQU32 enc512_url_lut<>(SB), Z4
avx512_enc_start:
  VMOVDQU32 enc512_ms_shuffle<>(SB), Z5
  VBROADCASTI32X4 enc512_ms_shift<>(SB), Z6
    XORQ SI, SI     // SI 复用为输出字节偏移

这样复用了现有的 lut 指针参数，无需为 AVX512 新增函数参数。

输入: 48 bytes raw → 输出: 64 bytes base64（每轮从 64 字节中读前 48 字节）

Step 1: VMOVDQU32 (BX), Z0        // 加载 64 字节（前 48 有效）
Step 2: VPERMB Z0, Z5, Z0         // 用 enc512_ms_shuffle 按 qword 打包两个 triplet
Step 3: VPMULTISHIFTQB Z6, Z0, Z0 // 每个 qword 提取 8 个 sextet
Step 4: VPERMB Z4, Z0, Z0         // 查 64 字节 LUT，得到 64 个 ASCII 字符
Step 5: VMOVDQU32 Z0, (AX)(SI*1)  // 存储 64 字节

encode LUT 常量（Standard，64 字节）：

ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/

encode LUT 常量（URL-safe，64 字节）： 最后两字节改为 -（0x2D）和 _（0x5F）

Encode 变体对照

当前 skill 覆盖三类 encode 实现选择，它们属于同一问题域，不需要拆分成多个 skill：

方案	热循环	特点	何时使用
当前默认方案	`VPERMB -> VPANDD/VPMULHUW/VPANDD/VPMULLW/VPORD -> VPERMB`	直接复用 SSE/AVX2 的 mulhi/mullo 提取法，最容易与现有 ASM 和 fallback 对齐	默认首选，适合先求稳定集成
Muła 风格变体	`VPERMB -> VPAND/VPSRLVW/VPSLLVW/VPTERNLOGD -> VPERMB`	更“AVX512-native”，但现有研究材料没有明确证明它稳定优于 mulhi/mullo	仅在要做 A/B benchmark 时尝试
VPMULTISHIFTQB 变体	`VPERMB -> VPMULTISHIFTQB -> VPERMB`	把 sextet 提取从 5 条指令缩成 1 条，是 encode 最值得验证的高性能方向	当目标是追求 AVX512 encode 峰值时优先考虑

经验结论（来自 simdenc/aklomp 方向的公开研究）：

mulhi/mullo 是一个合理的 AVX512 基线，不是“过时方案”
单纯把提取逻辑从乘法改成移位/三元逻辑，目前没有足够证据证明一定更快
真正有明确大幅收益的是 VPMULTISHIFTQB

Encode 算法（VPMULTISHIFTQB 可选路径）

适用前提：

目标 CPU 具备 AVX512VBMI
允许为 encode 再维护一套专用常量和一小段专用汇编
可以接受该路径只优化 encode，不影响 decode 设计

核心思想： 先用 VPERMB 把 48 字节输入重排成已经在公开实现和本仓库 CI 中验证过的 multishift 布局。每个 qword 对应两组 32-bit 打包块：

[s1 s0 s2 s1 | s4 s3 s5 s4]

随后用单条 VPMULTISHIFTQB 从每个 qword 中抽取 8 个 6-bit sextet，最后再用 VPERMB 直接查 64 字节 ASCII LUT。

输入: 48 bytes raw → 输出: 64 bytes base64

Step 1: VMOVDQU32 (BX), Z0
Step 2: VPERMB Z0, Zshuffle, Z0       // 重排成 [s1,s0,s2,s1 | s4,s3,s5,s4]
Step 3: VPMULTISHIFTQB Z0, Zshift, Z0 // Go 汇编顺序：data, control, dst
Step 4: VPERMB Zlut, Z0, Z0           // 直接 sextet → ASCII
Step 5: VMOVDQU32 Z0, (AX)(SI*1)

已知固定常量：

enc512_ms_shift：一个 16 字节块，内容对应两个 qword 的 selector [10, 4, 22, 16, 42, 36, 54, 48]，运行时用 VBROADCASTI32X4 广播
direct ASCII LUT 可以直接复用 enc512_std_lut / enc512_url_lut，不需要新的 offset LUT

实现注意：

enc512_ms_shuffle 取决于你选择的 qword 字节打包布局；只要布局与 enc512_ms_shift 匹配即可
这条路径通常不再需要 mulhi_mask / mullo_mask / mulhi_const / mullo_const
若当前仓库已经有稳定的 VPERMB + mulhi/mullo 版本，建议把 multishift 作为平行实验分支，而不是直接替换

在 `base64_amd64.s` 中落地 multishift encode 的实施清单

下面这组步骤是面向当前仓库结构的，不是泛化伪代码。目标是把 multishift 路径接到现有 encodeAsm 框架中，同时不破坏尾部回退。

保留现有入口与长度门控不变

继续使用 TEXT ·encodeAsm(SB) 现有签名
继续保留 CMPQ CX, $64 的 AVX512 入口门槛，因为主循环仍然做 64 字节安全读取、48 字节实际消耗

保留现有 std/url LUT 选择逻辑

仍然使用传入的 16 字节 lut 判断标准表还是 URL-safe 表
enc512_std_lut / enc512_url_lut 可直接复用为 multishift 路径的 direct ASCII LUT
MOVQ SI, R9 这一步仍然需要保留，因为 AVX2 fallback 还要用到原始 lut 指针加载 Y13

新增 multishift 专用常量，而不是复用 mulhi/mullo 常量

新增 enc512_ms_shift：一个 16 字节块，供 VBROADCASTI32X4 广播后形成每 qword 的 [10,4,22,16,42,36,54,48]
新增 enc512_ms_shuffle：把输入重排成 [s1,s0,s2,s1 | s4,s3,s5,s4] 这种经过公开实现验证的 multishift 布局
enc512_ms_shuffle 为 64 字节，enc512_ms_shift 为 16 字节并在循环外广播到 ZMM

新增独立的 multishift setup label

不要把 multishift 常量硬塞进当前 avx512_enc_start
建议新增类似：

avx512_ms_start:
   VMOVDQU32 enc512_std_lut<>(SB), Z4   // or url LUT
   VMOVDQU32 enc512_ms_shuffle<>(SB), Z5
  VBROADCASTI32X4 enc512_ms_shift<>(SB), Z6
   XORQ SI, SI

这样寄存器含义清晰，也不会和现有 mulhi/mullo 版本混淆

新增独立的 multishift 主循环

推荐结构：

avx512_ms_loop:
   CMPQ CX, $64
   JB avx512_ms_done
   VMOVDQU32 (BX), Z0
   VPERMB Z0, Z5, Z0
  VPMULTISHIFTQB Z0, Z6, Z0
   VPERMB Z4, Z0, Z0
   VMOVDQU32 Z0, (AX)(SI*1)
   ADDQ $64, SI
   SUBQ $48, CX
   LEAQ 48(BX), BX
   JMP avx512_ms_loop

BX/CX/SI 的推进方式必须与现有 AVX512 encode 保持一致，这样尾部 fallback 的接口语义才完全兼容

不要复用当前的“部分重载” fallback 优化

这是 multishift 接入时最容易踩的点
当前仓库的 avx512_done 之所以只补加载 Y6/Y11/Y12/Y13，是因为 Z7-Z10 里已经放好了与 AVX2 共用的 mulhi/mullo 常量，低 256 位可以直接当 Y7-Y10 用
multishift 路径中 Z7-Z10 不再承载这些常量，因此不能直接 JMP avx2_head

为 multishift 路径提供独立的 fallback setup

建议新增专用 label，例如：

avx512_ms_done:
   CMPQ CX, $16
   JB avx512_ms_ret
   VBROADCASTI128 reshuffle_mask<>(SB), Y6
   VBROADCASTI128 mulhi_mask<>(SB), Y7
   VBROADCASTI128 mulhi_const<>(SB), Y8
   VBROADCASTI128 mullo_mask<>(SB), Y9
   VBROADCASTI128 mullo_const<>(SB), Y10
   VBROADCASTI128 range_0_end<>(SB), Y11
   VBROADCASTI128 range_1_end<>(SB), Y12
   VBROADCASTI128 (R9), Y13
   JMP avx2_head
avx512_ms_ret:
   MOVQ SI, ret+56(FP)
   VZEROUPPER
   RET

这比尝试“共享一部分 setup”更稳，因为 multishift 路径与 AVX2 不再共享中间常量寄存器状态

确认 fallback 的剩余字节区间仍然成立

由于 multishift 主循环仍然是 64-byte safe load / 48-byte consume，退出时 CX 的范围与当前实现相同，仍然落在 [16, 63]
这意味着 encode 仍然适合直接回退到 AVX2，而不是退回 Go 层走 generic
也就是说：multishift 改的是主循环，不改尾部策略

如果要最小化改动，优先采用“并行分支”而不是“替换现有 avx512”

保留当前 avx512（mulhi/mullo）分支作为稳定路径
新增 avx512_ms 或实验分支，仅在 benchmark / 特定 gate 下命中
A/B 结果确认后，再决定是否把默认 encode AVX512 路径切换到 multishift

multishift 对剩余字节 fallback 的具体影响

不受影响的部分：

BX 仍指向“尚未编码的下一段输入起点”
SI 仍是“已输出字节偏移”
CX 仍是“剩余输入字节数”
AVX2 fallback 仍然从当前位置继续编码，不需要回退或重算位置

会受影响的部分：

当前 mulhi/mullo 版 AVX512 encode 可以借用 Z7-Z10 的低 256 位给 AVX2 fallback 使用；multishift 版不行
因此 multishift 版 fallback 必须完整重载 AVX2 encode 所需常量，不能套用当前那段“只补 4 个寄存器”的优化

对 SSE / generic 尾部的影响：

没有额外影响
AVX2 fallback 执行完后，剩余不足 16 字节的情况与当前实现一致，仍由现有外层逻辑处理
不需要因为 multishift 改变 SSE3 或 scalar 的阈值

Decode 算法（VPERMI2B 路径）

核心思想： VPERMI2B 可以做 128 字节 LUT 查表（输入值的 bit6 选择源寄存器），一条指令同时完成校验和翻译。

输入: 64 bytes base64 → 输出: 48 bytes raw

Step 1: VMOVDQU32 (BX), Z0        // 加载 64 字节 base64 输入
Step 2: VPERMI2B Z5, Z4, Z0       // 校验+翻译：Z4=LUT[0..63], Z5=LUT[64..127]
                                   // 非法字符 → 0xFF，合法字符 → 6-bit 值
Step 3: 检测非法字符
  VPXORD Z2, Z2, Z2               // Z2 = 0
  VPCMPB $1, Z2, Z0, K1           // K1[i]=1 if Z0[i] < 0 (bit7 置位 = 非法)
  KTESTQ K1, K1
  JNZ avx512_done                  // 有非法字符则退出，交给 generic 处理
Step 4: 6-bit → 24-bit 压缩（复用 AVX2 常量，via VBROADCASTI32X4）
  VPMADDUBSW Z6, Z0, Z0           // Z6 = dec_reshuffle_const0（广播）
  VPMADDWD Z7, Z0, Z0             // Z7 = dec_reshuffle_const1（广播）
  VPSHUFB Z8, Z0, Z0              // Z8 = dec_reshuffle_mask（广播）
  // 每 16 字节 lane 内：valid bytes at [0..11]（连续），[12..15] 填 0
Step 5: VPERMB Z0, Z3, Z0                     // 64→48 字节压缩（Z3=dec512_compress，循环前加载一次）
Step 6: 存储 48 字节
  VMOVDQU Y0, (AX)                // 低 32 字节（YMM 直接存储）
  VEXTRACTI32X4 $2, Z0, X1       // 提取 lane 2（字节 32..47）
  VMOVDQU X1, 32(AX)             // 存储高 16 字节

Reshuffle 常量复用（VBROADCASTI32X4）：

VBROADCASTI32X4 dec_reshuffle_const0<>(SB), Z6  // 与 AVX2 Y6 共用低256位
VBROADCASTI32X4 dec_reshuffle_const1<>(SB), Z7  // 与 AVX2 Y7 共用低256位
VBROADCASTI32X4 dec_reshuffle_mask<>(SB), Z8    // 与 AVX2 Y8 共用低256位

Decode LUT 结构（Standard，各 64 字节）：

stddec512_lut_lo（索引 0..63）：

0x00..0x2A → 0xFF（非法）
0x2B（+） → 62
0x2C..0x2E → 0xFF
0x2F（/） → 63
0x30..0x39（0-9）→ 52..61
0x3A..0x3F → 0xFF

stddec512_lut_hi（索引 64..127，即 ASCII 0x40..0x7F）：

0x40 → 0xFF
0x41..0x5A（A-Z）→ 0..25
0x5B..0x60 → 0xFF
0x61..0x7A（a-z）→ 26..51
0x7B..0x7F → 0xFF

Decode LUT 结构（URL-safe）：

urldec512_lut_lo: 0x2B（+）→ 0xFF，0x2D（-）→ 62，0x2F（/）→ 0xFF；其余同 std
urldec512_lut_hi: 0x5F（_）→ 63；其余同 std

dec512_compress 常量（64 字节）：

前 48 字节按 lane 连续选出有效字节，后 16 字节填 0（VPERMB 用 Z3 作索引寄存器，循环前 VMOVDQU32 dec512_compress<>(SB), Z3 加载一次）：

字节 0..47: lane0=[0..11], lane1=[16..27], lane2=[32..43], lane3=[48..59]
字节 48..63: 0x00（不使用）

重要：dec_reshuffle_mask 中 0xFF 条目在每 lane 的第 12..15 字节处，所以每 lane 有效字节在 [0..11]（连续 12 个），不是 [0,1,2,4,5,6,8,9,10,12,13,14]。compress 表按此连续排列。

LUT 生成脚本

技能目录下的 gen_lut.go 是一次性辅助脚本（//go:build ignore），用于生成 AVX512 相关 64 字节 LUT / 索引 / selector 常量的 Go 汇编 DATA 指令，直接粘贴进 base64_amd64.s 即可。

运行方式：

go run gen_lut.go

生成的常量（按输出顺序）：

常量名	大小	用途
`enc512_std_lut`	64 字节	encode Standard LUT（`A-Za-z0-9+/`）
`enc512_url_lut`	64 字节	encode URL-safe LUT（`A-Za-z0-9-_`）
`enc512_ms_shuffle`	64 字节	可选 VPMULTISHIFTQB encode 路径的重排索引（每 qword 为 `[s1,s0,s2,s1
`enc512_ms_shift`	16 字节	可选 VPMULTISHIFTQB encode 路径的 qword selector，运行时用 `VBROADCASTI32X4` 广播
`stddec512_lut_lo`	64 字节	decode Standard LUT 低段（ASCII 0..63）
`stddec512_lut_hi`	64 字节	decode Standard LUT 高段（ASCII 64..127）
`urldec512_lut_lo`	64 字节	decode URL-safe LUT 低段
`urldec512_lut_hi`	64 字节	decode URL-safe LUT 高段
`dec512_compress`	64 字节	VPERMB 压缩索引（64→48 字节，每 lane 取连续 [0..11]，共 4 lane）

关键实现逻辑：

le64：将 8 字节切片按小端序打包为 uint64，输出 0x... 十六进制字面量（匹配 Go 汇编 DATA 语法）
enc512_ms_shift：生成一个 16 字节块，内容为两个 qword 的 [10, 4, 22, 16, 42, 36, 54, 48]，供 VBROADCASTI32X4 扩成整条 ZMM selector
decode LUT：非法字符填 0xFF（bit7 置位），后续 VPCMPB $1, Z2, Z0, K1 检测 Z0[i] < 0
dec512_compress：每 lane 取连续 12 字节 [lane*16 .. lane*16+11]，前 48 字节有效，后 16 字节保持 0；在循环前加载到 Z3 寄存器，使用 VPERMB Z0, Z3, Z0（非内存形式）

当前脚本的边界：

已生成 VPMULTISHIFTQB 路径可直接复用的 direct LUT（即 enc512_std_lut / enc512_url_lut）和 shift selector（enc512_ms_shift）
enc512_ms_shuffle 与所选 qword 打包布局强耦合，建议在最终确定 multishift 实现时再按具体布局生成，不在通用脚本里预设错误版本

处理阈值

路径	Encode 阈值	Decode 阈值	单轮处理
AVX512 VBMI	≥64 字节输入（安全加载 64 字节）	≥64 字节输入	48→64 / 64→48
AVX2	≥28 字节输入	≥40 字节输入	24→32 / 32→24
SSE3	≥16 字节输入	≥24 字节输入	12→16 / 16→12

注意（Encode）： 每轮实际消耗 48 字节输入，但要求 CX ≥ 64 是为了 VMOVDQU32 (BX), Z0 的安全读取；enc512_ms_shuffle 只会消费前 48 字节。

AVX512 尾部处理： 当剩余数据不足 64 字节（CX < 64）时退出 AVX512 循环，avx512_done 判断 CX 是否满足 AVX2 条件（encode ≥16, decode ≥24），若满足则直接跳到 AVX2 内部 label（avx2_head/avx2_loop），否则返回给 Go 层处理剩余字节。

关键性质： 当 CX_initial ≥ 64（入口条件），CX_final（所有 AVX512 轮次后）= CX_initial − N×48，其中 N = ⌊(CX_initial − 16) / 48⌋。可以证明 CX_final ∈ [16, 63]，因此对于 encode 路径，avx512_ret（CX < 16）实际上永远不会被执行：AVX512 循环后一定会进入 AVX2 fallback。

实现步骤（已全部完成 ✅）

Phase 1: 准备工作 ✅

在 base64_asm.go 中新增 useAVX512VBMI 变量，删除 useAVX
验证编译通过

Phase 2: 移除 AVX 路径 ✅

从 base64_amd64.s 中删除 AVX 宏和所有 AVX 分支代码
从 base64_asm.go 中删除 useAVX 变量
验证 SSE3 和 AVX2 路径仍然正确（本地 go test）

Phase 3: 实现 AVX512 Encode ✅

定义 encode LUT 常量（std + url，各 64 字节）
定义 enc512_ms_shuffle / enc512_ms_shift 常量
实现 avx512 encode 分支：VPERMB pack -> VPMULTISHIFTQB -> VPERMB -> 存储
为 multishift 路径完善 AVX2 fallback 重载逻辑

enc512_ms_shift 使用 VBROADCASTI32X4，减少只读常量占用
MOVQ SI, R9 在 XORQ SI, SI 前备份 lut 指针

Phase 3b: 可选的 VPMULTISHIFTQB Encode 实验

定义 enc512_ms_shift 常量（16 字节，用 VBROADCASTI32X4 广播成每 qword 的 [10,4,22,16,42,36,54,48]）
根据最终 qword 打包布局定义 enc512_ms_shuffle 常量
实现独立 avx512_ms encode 分支：VPERMB -> VPMULTISHIFTQB -> VPERMB
为 multishift 分支新增独立 avx512_ms_done，完整重载 Y6-Y13 后再跳 avx2_head
使用独立 benchmark 与现有 mulhi/mullo 版本做 A/B，对比不同微架构（至少 Zen 4 / Zen 5 或 Intel Ice Lake 一类）

Phase 4: 实现 AVX512 Decode ✅

定义 stddec512_lut_lo/hi 和 urldec512_lut_lo/hi（各 64 字节）
定义 dec512_compress（64 字节压缩表）
复用 dec_reshuffle_const0/1/mask 16 字节常量（VBROADCASTI32X4 广播到 Z6-Z8）
- reshuffle 寄存器用 Z6-Z8（而非其他编号）以与 AVX2 Y6-Y8 对齐
实现 VPERMI2B 校验+翻译 + VPCMPB/KTESTQ 错误检测
实现 512-bit 宽度 reshuffle + VPERMB 压缩
存储方式：VMOVDQU Y0 (32字节) + VEXTRACTI32X4 $2 + VMOVDQU X1 (16字节)

Phase 5: 优化与测试 ✅

添加输入长度预检（CMPQ CX, $64）避免短输入时加载无用 ZMM 常量
avx512_done 完善：回退到 AVX2 内部 label，而非直接返回给 Go 层（减少函数调用开销）
对 multishift 分支单独检查 fallback：确认 BX/CX/SI 推进与原 AVX512 路径完全一致
寄存器编号优化（Z7-Z10 encode, Z6-Z8 decode）以与 AVX2 对齐，消除 fallback 时的重复加载
本地编译验证（go build ./...）
运行测试（go test -count=1 ./... → ok github.com/emmansun/base64）

寄存器分配规划

Encode（AVX512 主循环）

当前 encode 实现使用 multishift 路径。由于 Z7-Z10 不再保留 AVX2 所需 mulhi/mullo 常量， avx512_done 会在回退到 avx2_head 前完整重载 Y6-Y13。

寄存器	用途
Z0	数据工作寄存器（输入/pack/索引/输出）
Z4	encode LUT（64 字节，VPERMB 源）：std 或 url
Z5	enc512_ms_shuffle（VPERMB 打包表）
Z6	enc512_ms_shift（VBROADCASTI32X4 后的 selector）
SI	AVX512主循环: 输出字节偏移（XORQ 清零）；setup: lut 指针（由 R9 备份）
BX	输入指针
CX	剩余输入字节数
AX	输出基址
R8	LUT 选择临时（读取 lut[12] 判断 std/url）
R9	备份 lut 指针（`MOVQ SI, R9` 在 XORQ SI 前），供 `avx512_done` 加载 Y13 用

Decode（AVX512 主循环）

寄存器编号故意选 Z6-Z8 以与 AVX2 路径的 Y6-Y8 对齐，avx512_done 回退到 avx2_loop 时无需重新加载 reshuffle 常量。

寄存器	用途
Z0	数据工作寄存器（输入/翻译/reshuffle/压缩）
Z2	零寄存器（VPXORD Z2, Z2, Z2，VPCMPB 用）
Z3	dec512_compress（VPERMB 压缩索引，循环前加载一次）
Z4	decode LUT low（索引 0..63，VPERMI2B src1）
Z5	decode LUT high（索引 64..127，VPERMI2B src2）
Z6	dec_reshuffle_const0（与 AVX2 Y6 共用低256位）
Z7	dec_reshuffle_const1（与 AVX2 Y7 共用低256位）
Z8	dec_reshuffle_mask（与 AVX2 Y8 共用低256位）
K1	error mask（VPCMPB 结果）
X0/Y0	Z0 的低 128/256 位别名，用于存储
X1	VEXTRACTI32X4 $2 提取的 lane 2

AVX512 → AVX2 内部 Fallback 机制

设计目标

AVX512 循环退出时（CX < 64），剩余字节由 ASM 内部的 AVX2 代码处理，而不是返回给 Go 层再调用 encodeGeneric / decodeGeneric。这避免了一次函数调用开销，并使 SIMD 效率最大化。

Encode fallback (`avx512_done`)

avx512_done:
    // Fall back to AVX2 for the remaining tail (CX in [16..63]).
  // The multishift path does not preserve AVX2 mulhi/mullo constants in Y7-Y10,
  // so reload the full AVX2 encode state before jumping into avx2_head.
    CMPQ CX, $16
    JB avx512_ret
    VBROADCASTI128 reshuffle_mask<>(SB), Y6
    VBROADCASTI128 range_0_end<>(SB), Y11
    VBROADCASTI128 range_1_end<>(SB), Y12
    VBROADCASTI128 (R9), Y13    // lut pointer saved in R9 before XORQ SI
    JMP avx2_head               // Y7-Y10 already valid from Z7-Z10
avx512_ret:
    MOVQ SI, ret+56(FP)
    VZEROUPPER
    RET

Y6/Y11/Y12/Y13 是 avx2_head 中用到的剩余寄存器（Y7-Y10 已由 Z7-Z10 低256位提供）
R9 在 avx512 入口 MOVQ SI, R9 保存 lut 指针，避免 XORQ SI, SI（清零输出偏移）后丢失
无 VZEROUPPER：因为紧接着执行 AVX2 VEX 指令，不需要清除 ZMM 上半部分

Decode fallback (`avx512_done`)

avx512_done:
    // Fall back to AVX2 for the remaining tail (CX in [24..63]).
    // Y6-Y8 (dec_reshuffle_const0/1, dec_reshuffle_mask) are already valid as
    // the lower 256 bits of Z6-Z8; no VZEROUPPER needed.
    CMPQ CX, $24
    JB avx512_ret
    VBROADCASTI128 nibble_mask<>(SB), Y9
    VBROADCASTI128 stddec_lut_hi<>(SB), Y10
    VBROADCASTI128 stddec_lut_lo<>(SB), Y11
    VBROADCASTI128 stddec_lut_roll<>(SB), Y12
    JMP avx2_loop               // Y6-Y8 already valid from Z6-Z8
avx512_ret:
    MOVQ CX, ret+48(FP)
    VZEROUPPER
    RET

Y9/Y10/Y11/Y12 是 avx2_loop 需要的其余寄存器（Y6-Y8 已由 Z6-Z8 低256位提供）
URL decode 另需 VBROADCASTI128 url_const_5e<>(SB), Y13

寄存器复用的关键原理

VBROADCASTI32X4 xmm_mem<>(SB), Z7 将 16 字节常量广播到 ZMM 的全4个 128-bit lane。执行后，Z7 的低256位 = Y7 = 2 lane 重复的相同常量，完全等同于 VBROADCASTI128 xmm_mem<>(SB), Y7 的结果。因此，切换到 VEX-编码的 AVX2 指令后，Y7～Y10（encode）或 Y6～Y8（decode）无需重新加载。

关键不变式

当 CX_initial ≥ 64 时（进入 AVX512 循环的前提），所有轮次执行完后有： $$\text{CX_final} = \text{CX_initial} - N \times 48 \in [16, 63]$$ 其中 N = ⌊(CX_initial − 16) / 48⌋。因为 CX_final ≥ 16，avx512_ret 路径在 encode 中永远不会被执行（dead code in practice）。Decode 中 CX_final ∈ [0, 63]（每轮消耗64字节），若能整除则 CX_final=0 < 24 → avx512_ret 会执行（意味着所有数据已处理完毕）。

注意事项

VZEROUPPER

AVX512 指令使用 ZMM 寄存器，直接返回前必须调用 VZEROUPPER 清除 ZMM 上半部分
AVX512 fallback 到 AVX2 时不需要 VZEROUPPER：紧接着执行的 AVX2 VEX 指令不受 ZMM 上半部分值影响
avx512_ret（直接 RET 路径）需要 VZEROUPPER；avx512_done → avx2_head/loop 路径不需要

64 字节对齐

ZMM 加载/存储（VMOVDQU32/VMOVDQU64）不要求 64 字节对齐
但对齐可以提升性能，考虑在数据量足够大时做对齐处理

VINSERTI32X4 别名

Go 汇编中 X0 是 Z0 的低 128 位别名，Y0 是低 256 位别名
存储 48 字节时：VMOVDQU Y0, (AX) 存低 32 字节，VEXTRACTI32X4 $2, Z0, X1 + VMOVDQU X1, 32(AX) 存高 16 字节
比 3×VEXTRACTI32X4 少一次 extract 指令

VPERMB 与 VPERMI2B 的操作数语义

VPERMB（Go 语法）：

VPERMB Z_src, Z_idx, Z_dst    // dst[i] = src[idx[i] & 63]

注意 Go 汇编的操作数顺序与 Intel 手册相反。

VPERMI2B（Go 语法）：

VPERMI2B Z_src2, Z_src1, Z_idx_dst
// idx_dst[i] = (idx_dst[i] & 64) ? src2[idx_dst[i]&63] : src1[idx_dst[i]&63]

VPERMI2B 就地修改 idx 寄存器（Z_idx_dst 既是索引输入也是结果输出）。

VPMULTISHIFTQB（Go 语法）：

VPMULTISHIFTQB Z_data, Z_control, Z_dst

这里也要按 Go 汇编的源操作数顺序来写，不要照搬 Intel 手册或 intrinsics 文档里的参数排列。
在本仓库的 encode 热循环中，正确写法是：

VPERMB Z0, Z5, Z0
VPMULTISHIFTQB Z0, Z6, Z0
VPERMB Z4, Z0, Z0

一个已在 CI 中踩过的坑是把 Z6 和 Z0 写反。那样本地的“纯 Go 常量参考测试”仍可能通过，但真实 AVX512 路径会输出明显错误的 base64 文本。
因此实现 multishift 时，必须同时做两类验证：
1. 常量级参考测试：验证 enc512_ms_shuffle + enc512_ms_shift 的数学模型正确。
2. 真机 AVX512 测试：验证 Go 汇编指令顺序、寄存器使用和 fallback 逻辑都正确。

VBROADCASTI32X4 复用 16 字节常量

VBROADCASTI32X4 mulhi_mask<>(SB), Z6
// 将 16 字节 XMM 常量广播到 ZMM 的 4 个 128-bit lane，等效于 4 次拼接
// 避免定义专用 64 字节常量，节省 rodata 空间

输入长度预检模式

// 正确模式：先检查长度，再检查 CPU 能力
CMPQ CX, $64
JB   xxx_not_avx512
CMPB ·useAVX512VBMI(SB), $1
JE   avx512
xxx_not_avx512:
CMPB ·useAVX2(SB), $1
JE   avx2

每个函数用独立 label（enc_not_avx512、stddec_not_avx512、urldec_not_avx512）避免重名。

Decode 压缩存储

选用 VPERMB + 2 次存储方案：

VMOVDQU Y0, (AX) — 存低 32 字节（YMM 直接写，无需 extract）
VEXTRACTI32X4 $2, Z0, X1; VMOVDQU X1, 32(AX) — 提取并存高 16 字节
共 1 次 VPERMB + 2 次 store + 1 次 extract，比 3×(extract+store) 少 1 次 extract

name	base64-amd64-avx512vbmi
description	实现 amd64 架构下 AVX512 VBMI 加速的 BASE64 编解码 Go 汇编代码。Use when: 在 amd64 平台扩展 base64 的 AVX512 实现、编写 EVEX-512 汇编、使用 VPERMB/VPERMI2B/VPMULTISHIFTQB 实现高效编解码、amd64 Go assembly AVX512 SIMD optimization。
argument-hint	encode 或 decode，或留空处理完整实现

AMD64 AVX512 VBMI BASE64 实现技能

适用场景

在现有 base64_amd64.s 中新增 AVX512 VBMI（512-bit）编解码路径
利用 VPERMB / VPERMI2B / VPMULTISHIFTQB 指令实现比 AVX2 更简洁高效的算法
调试 AVX512 汇编逻辑（本地无 AVX512，需远程验证）

设计决策

1. 仅实现 AVX512 VBMI 路径

不实现 AVX512F+BW-only（无 VBMI）路径。理由：

VPERMB / VPERMI2B 是算法的关键突破，没有 VBMI 则算法退化为"更宽的 AVX2"，收益有限
AVX2 已能高效处理 32 字节/轮，对于无 VBMI 的 CPU（Skylake-X、Zen 4）已足够
减少代码复杂度和维护负担

CPU 检测条件：

cpu.X86.HasAVX512F && cpu.X86.HasAVX512BW && cpu.X86.HasAVX512VBMI

扩展要求补充：

512-bit VPERMB / VPERMI2B / VPMULTISHIFTQB 路径的关键特性位是 AVX512VBMI
保持现有工程门控：AVX512F + AVX512BW + AVX512VBMI。这样与当前 ZMM 字节/字操作、现有 fallback 逻辑和测试假设一致
如果未来实现 128-bit / 256-bit VPMULTISHIFTQB 变体，则额外需要 AVX512VL

支持的 CPU 覆盖：

CPU 系列	AVX512F	AVX512BW	AVX512VBMI	命中路径
Ice Lake / Tiger Lake / Alder Lake-P	✅	✅	✅	AVX512
Rocket Lake	✅	✅	✅	AVX512
Zen 5	✅	✅	✅	AVX512
Zen 4 EPYC (Genoa / Bergamo)	✅	✅	✅	AVX512
Skylake-X / Cascade Lake	✅	✅	❌	AVX2
Haswell ~ Coffee Lake	❌	❌	❌	AVX2
Sandy/Ivy Bridge	❌	❌	❌	SSE3（或 AVX，见决策 2）

2. 移除 AVX（无 AVX2）路径，保留 SSE3 和 AVX2

理由：

AVX-only（无 AVX2）的 CPU 仅存在于 Sandy Bridge / Ivy Bridge 时代（2011–2012），已极为罕见
AVX 路径与 SSE3 算法相同，仅使用 VEX 编码（3 操作数非破坏性），性能差异极小
移除后减少约 100+ 行汇编代码，降低维护成本

移除范围：

base64_asm.go 中删除 var useAVX = cpu.X86.HasAVX
base64_amd64.s 中删除 encodeAsm 的 avx/avx_loop/avx_done 分支
base64_amd64.s 中删除 decodeStdAsm/decodeUrlAsm 的 avx/avx_loop/avx_done 分支
删除 AVX_ENC / AVX_DECODE_VALIDATE / AVX_DECODE_RESHUFFLE 宏定义

保留路径（移除 AVX 后）：

encodeAsm / decodeStdAsm / decodeUrlAsm 内部 dispatch:
  useAVX512VBMI → avx512 路径（新增）
  useAVX2       → avx2 路径（保留）
  fallthrough   → SSE3 路径（保留）

3. 复用现有函数签名

不新增 Go 函数，直接在现有汇编函数内部增加 AVX512 分支：

TEXT ·encodeAsm(SB),NOSPLIT,$0
    // 先检查输入长度，避免输入不足时白白加载 ZMM 常量
    CMPQ CX, $64
    JB   enc_not_avx512
    CMPB ·useAVX512VBMI(SB), $1
    JE   avx512
enc_not_avx512:
    CMPB ·useAVX2(SB), $1
    JE   avx2
    // SSE3 fallback ...

好处：

Go 层 base64_asm.go 的 encode() / decode() 完全不需要修改
与 loong64 的 LSX/LASX 分支模式一致
测试自动覆盖所有路径
输入长度预检：当 CX < 64 时直接跳过 AVX512 检查，避免加载无用的 ZMM 常量（每个函数各有独立 label：enc_not_avx512、stddec_not_avx512、urldec_not_avx512）

4. Go 层变量设计

在 base64_asm.go 中新增：

var useAVX512VBMI = cpu.X86.HasAVX512F && cpu.X86.HasAVX512BW && cpu.X86.HasAVX512VBMI

删除：

var useAVX = cpu.X86.HasAVX  // 移除

环境约束

环境	用途	AVX512 支持
本地开发	交叉编译、语法检查	❌ 不支持
GitHub Actions `ci.yml`	原生 amd64 测试	⚠️ 待确认（需在 CI 中检测）
远程 AVX512 机器	运行时验证	✅ 需要 Ice Lake 或更新

关键区别： 与 loong64 不同，amd64 CI 可能直接在原生 x86-64 上跑。需在测试中检测 AVX512 是否可用：

func TestAVX512Encode(t *testing.T) {
    if !useAVX512VBMI {
        t.Skip("AVX512 VBMI not supported")
    }
    // ...
}

如果 GitHub Actions 不支持 AVX512：

方案 A（已实现）：添加 t.Skip + ci.yml 的 avx512 job 报告 skip 状态
方案 B（已实现）：使用 Intel SDE（Software Development Emulator）— 见 amd64_avx512_sde.yml
方案 C：找到支持 AVX512 的 CI runner（如 AWS c6i/m6i Ice Lake 实例）

Intel SDE 用法（amd64_avx512_sde.yml）：

# 0. Ubuntu 上需先禁用 yama ptrace 限制（SDE 基于 Pin，需要 ptrace attach）
sudo sysctl -w kernel.yama.ptrace_scope=0

# 1. 从 Intel 下载页动态提取真实 CDN URL 并安装（无需硬编码版本号）
URL="$(curl -sL 'https://www.intel.com/content/www/us/en/download/684897/intel-software-development-emulator.html' | \
  grep -oP '(?<=data-href=")(https://[^"]+)/sde-external-([0-9.\-]+)-lin\.tar\.xz' | head -n1)"
mkdir -p /opt/intel/sde
curl -sL "${URL}" | tar --strip-components 1 -JxC /opt/intel/sde

# 2. 编译测试二进制
go test -c -o base64.test .

# 3. 通过 SDE 运行（-icl 模拟 Ice Lake，含 AVX512 VBMI）
/opt/intel/sde/sde64 -icl -- ./base64.test -test.run 'AVX512' -test.v
/opt/intel/sde/sde64 -icl -- ./base64.test -test.bench 'AVX512' -test.benchtime 1x -test.run '^$' -test.v

本地编译验证命令（与平台一致，无需交叉编译）：

go build ./...

算法设计

参考实现

simdenc (dans-stuff/simdenc) — Go + AVX512 VBMI 参考
Wojciech Muła 的 base64 算法分析

Go 1.25 AVX512 指令支持

✅ 完全原生支持，无需 WORD 编码。所有指令均在 avx_optabs.go 中有 EVEX-512 编码：

Intel 助记符	Go 助记符	用途
VPERMB	VPERMB	Encode: 64 字节 LUT 单指令查表
VPERMI2B	VPERMI2B	Decode: 128 字节合并校验+翻译
VPMULTISHIFTQB	见当前 Go 汇编器支持情况	Encode: 在 64-bit lane 内一次提取 8 个 sextet
VPMADDUBSW	VPMADDUBSW	Decode: 6-bit 字段合并
VPMADDWD	VPMADDWD	Decode: 12-bit → 24-bit 压缩
VPSHUFB	VPSHUFB	Decode: 字节重排
VPSUBB	VPSUBB	Encode/Decode: 字节减法
VPADDB	VPADDB	Encode/Decode: 字节加法
VPAND / VPORD	VPANDD / VPORD	位运算
VMOVDQU32	VMOVDQU32	512-bit 加载/存储
VPSRLW	VPSRLW	位移
VPMOVB2M	VPMOVB2M	提取字节符号位到 mask 寄存器
VPCMPB	VPCMPB	字节比较，结果写到 mask 寄存器
VPXORD	VPXORD	512-bit XOR（归零）
KTESTQ	KTESTQ	测试 64-bit mask 是否有置位
VEXTRACTI32X4	VEXTRACTI32X4	从 ZMM 提取 16 字节到 XMM
VBROADCASTI32X4	VBROADCASTI32X4	将 XMM（16 字节）广播到 ZMM 的 4 个 lane

Encode 算法（VPERMB 路径）

核心思想： 复用已有的 SSE/AVX2 mulhi/mullo 技术提取 6-bit 索引，再用 64 字节 LUT + VPERMB 一条指令完成索引 → ASCII 映射。

LUT 选择（setup，循环外）：

encodeAsm 接收一个 lut *[16]byte 参数（SI），是 SSE/AVX2 路径用的 16 字节 lut。 AVX512 路径通过读取该 lut 的 byte[12] 来判断 std/url：

Standard lut 的 byte[12] = 0xED
URL-safe lut 的 byte[12] = 0xEF（只有最后一个 nibble 不同）

avx512:
    MOVQ SI, R9       // save lut pointer for AVX2 tail fallback
    MOVBLZX 12(SI), R8
    CMPB R8, $0xED
    JNE avx512_url_enc
    VMOVDQU32 enc512_std_lut<>(SB), Z4
    JMP avx512_enc_start
avx512_url_enc:
    VMOVDQU32 enc512_url_lut<>(SB), Z4
avx512_enc_start:
  VMOVDQU32 enc512_ms_shuffle<>(SB), Z5
  VBROADCASTI32X4 enc512_ms_shift<>(SB), Z6
    XORQ SI, SI     // SI 复用为输出字节偏移

这样复用了现有的 lut 指针参数，无需为 AVX512 新增函数参数。

输入: 48 bytes raw → 输出: 64 bytes base64（每轮从 64 字节中读前 48 字节）

Step 1: VMOVDQU32 (BX), Z0        // 加载 64 字节（前 48 有效）
Step 2: VPERMB Z0, Z5, Z0         // 用 enc512_ms_shuffle 按 qword 打包两个 triplet
Step 3: VPMULTISHIFTQB Z6, Z0, Z0 // 每个 qword 提取 8 个 sextet
Step 4: VPERMB Z4, Z0, Z0         // 查 64 字节 LUT，得到 64 个 ASCII 字符
Step 5: VMOVDQU32 Z0, (AX)(SI*1)  // 存储 64 字节

encode LUT 常量（Standard，64 字节）：

ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/

encode LUT 常量（URL-safe，64 字节）： 最后两字节改为 -（0x2D）和 _（0x5F）

Encode 变体对照

当前 skill 覆盖三类 encode 实现选择，它们属于同一问题域，不需要拆分成多个 skill：

方案	热循环	特点	何时使用
当前默认方案	`VPERMB -> VPANDD/VPMULHUW/VPANDD/VPMULLW/VPORD -> VPERMB`	直接复用 SSE/AVX2 的 mulhi/mullo 提取法，最容易与现有 ASM 和 fallback 对齐	默认首选，适合先求稳定集成
Muła 风格变体	`VPERMB -> VPAND/VPSRLVW/VPSLLVW/VPTERNLOGD -> VPERMB`	更“AVX512-native”，但现有研究材料没有明确证明它稳定优于 mulhi/mullo	仅在要做 A/B benchmark 时尝试
VPMULTISHIFTQB 变体	`VPERMB -> VPMULTISHIFTQB -> VPERMB`	把 sextet 提取从 5 条指令缩成 1 条，是 encode 最值得验证的高性能方向	当目标是追求 AVX512 encode 峰值时优先考虑

经验结论（来自 simdenc/aklomp 方向的公开研究）：

mulhi/mullo 是一个合理的 AVX512 基线，不是“过时方案”
单纯把提取逻辑从乘法改成移位/三元逻辑，目前没有足够证据证明一定更快
真正有明确大幅收益的是 VPMULTISHIFTQB

Encode 算法（VPMULTISHIFTQB 可选路径）

适用前提：

目标 CPU 具备 AVX512VBMI
允许为 encode 再维护一套专用常量和一小段专用汇编
可以接受该路径只优化 encode，不影响 decode 设计

核心思想： 先用 VPERMB 把 48 字节输入重排成已经在公开实现和本仓库 CI 中验证过的 multishift 布局。每个 qword 对应两组 32-bit 打包块：

[s1 s0 s2 s1 | s4 s3 s5 s4]

随后用单条 VPMULTISHIFTQB 从每个 qword 中抽取 8 个 6-bit sextet，最后再用 VPERMB 直接查 64 字节 ASCII LUT。

输入: 48 bytes raw → 输出: 64 bytes base64

Step 1: VMOVDQU32 (BX), Z0
Step 2: VPERMB Z0, Zshuffle, Z0       // 重排成 [s1,s0,s2,s1 | s4,s3,s5,s4]
Step 3: VPMULTISHIFTQB Z0, Zshift, Z0 // Go 汇编顺序：data, control, dst
Step 4: VPERMB Zlut, Z0, Z0           // 直接 sextet → ASCII
Step 5: VMOVDQU32 Z0, (AX)(SI*1)

已知固定常量：

enc512_ms_shift：一个 16 字节块，内容对应两个 qword 的 selector [10, 4, 22, 16, 42, 36, 54, 48]，运行时用 VBROADCASTI32X4 广播
direct ASCII LUT 可以直接复用 enc512_std_lut / enc512_url_lut，不需要新的 offset LUT

实现注意：

enc512_ms_shuffle 取决于你选择的 qword 字节打包布局；只要布局与 enc512_ms_shift 匹配即可
这条路径通常不再需要 mulhi_mask / mullo_mask / mulhi_const / mullo_const
若当前仓库已经有稳定的 VPERMB + mulhi/mullo 版本，建议把 multishift 作为平行实验分支，而不是直接替换

在 `base64_amd64.s` 中落地 multishift encode 的实施清单

下面这组步骤是面向当前仓库结构的，不是泛化伪代码。目标是把 multishift 路径接到现有 encodeAsm 框架中，同时不破坏尾部回退。

保留现有入口与长度门控不变

继续使用 TEXT ·encodeAsm(SB) 现有签名
继续保留 CMPQ CX, $64 的 AVX512 入口门槛，因为主循环仍然做 64 字节安全读取、48 字节实际消耗

保留现有 std/url LUT 选择逻辑

仍然使用传入的 16 字节 lut 判断标准表还是 URL-safe 表
enc512_std_lut / enc512_url_lut 可直接复用为 multishift 路径的 direct ASCII LUT
MOVQ SI, R9 这一步仍然需要保留，因为 AVX2 fallback 还要用到原始 lut 指针加载 Y13

新增 multishift 专用常量，而不是复用 mulhi/mullo 常量

新增 enc512_ms_shift：一个 16 字节块，供 VBROADCASTI32X4 广播后形成每 qword 的 [10,4,22,16,42,36,54,48]
新增 enc512_ms_shuffle：把输入重排成 [s1,s0,s2,s1 | s4,s3,s5,s4] 这种经过公开实现验证的 multishift 布局
enc512_ms_shuffle 为 64 字节，enc512_ms_shift 为 16 字节并在循环外广播到 ZMM

新增独立的 multishift setup label

不要把 multishift 常量硬塞进当前 avx512_enc_start
建议新增类似：

avx512_ms_start:
   VMOVDQU32 enc512_std_lut<>(SB), Z4   // or url LUT
   VMOVDQU32 enc512_ms_shuffle<>(SB), Z5
  VBROADCASTI32X4 enc512_ms_shift<>(SB), Z6
   XORQ SI, SI

这样寄存器含义清晰，也不会和现有 mulhi/mullo 版本混淆

新增独立的 multishift 主循环

推荐结构：

avx512_ms_loop:
   CMPQ CX, $64
   JB avx512_ms_done
   VMOVDQU32 (BX), Z0
   VPERMB Z0, Z5, Z0
  VPMULTISHIFTQB Z0, Z6, Z0
   VPERMB Z4, Z0, Z0
   VMOVDQU32 Z0, (AX)(SI*1)
   ADDQ $64, SI
   SUBQ $48, CX
   LEAQ 48(BX), BX
   JMP avx512_ms_loop

BX/CX/SI 的推进方式必须与现有 AVX512 encode 保持一致，这样尾部 fallback 的接口语义才完全兼容

不要复用当前的“部分重载” fallback 优化

这是 multishift 接入时最容易踩的点
当前仓库的 avx512_done 之所以只补加载 Y6/Y11/Y12/Y13，是因为 Z7-Z10 里已经放好了与 AVX2 共用的 mulhi/mullo 常量，低 256 位可以直接当 Y7-Y10 用
multishift 路径中 Z7-Z10 不再承载这些常量，因此不能直接 JMP avx2_head

为 multishift 路径提供独立的 fallback setup

建议新增专用 label，例如：

avx512_ms_done:
   CMPQ CX, $16
   JB avx512_ms_ret
   VBROADCASTI128 reshuffle_mask<>(SB), Y6
   VBROADCASTI128 mulhi_mask<>(SB), Y7
   VBROADCASTI128 mulhi_const<>(SB), Y8
   VBROADCASTI128 mullo_mask<>(SB), Y9
   VBROADCASTI128 mullo_const<>(SB), Y10
   VBROADCASTI128 range_0_end<>(SB), Y11
   VBROADCASTI128 range_1_end<>(SB), Y12
   VBROADCASTI128 (R9), Y13
   JMP avx2_head
avx512_ms_ret:
   MOVQ SI, ret+56(FP)
   VZEROUPPER
   RET

这比尝试“共享一部分 setup”更稳，因为 multishift 路径与 AVX2 不再共享中间常量寄存器状态

确认 fallback 的剩余字节区间仍然成立

由于 multishift 主循环仍然是 64-byte safe load / 48-byte consume，退出时 CX 的范围与当前实现相同，仍然落在 [16, 63]
这意味着 encode 仍然适合直接回退到 AVX2，而不是退回 Go 层走 generic
也就是说：multishift 改的是主循环，不改尾部策略

如果要最小化改动，优先采用“并行分支”而不是“替换现有 avx512”

保留当前 avx512（mulhi/mullo）分支作为稳定路径
新增 avx512_ms 或实验分支，仅在 benchmark / 特定 gate 下命中
A/B 结果确认后，再决定是否把默认 encode AVX512 路径切换到 multishift

multishift 对剩余字节 fallback 的具体影响

不受影响的部分：

BX 仍指向“尚未编码的下一段输入起点”
SI 仍是“已输出字节偏移”
CX 仍是“剩余输入字节数”
AVX2 fallback 仍然从当前位置继续编码，不需要回退或重算位置

会受影响的部分：

当前 mulhi/mullo 版 AVX512 encode 可以借用 Z7-Z10 的低 256 位给 AVX2 fallback 使用；multishift 版不行
因此 multishift 版 fallback 必须完整重载 AVX2 encode 所需常量，不能套用当前那段“只补 4 个寄存器”的优化

对 SSE / generic 尾部的影响：

没有额外影响
AVX2 fallback 执行完后，剩余不足 16 字节的情况与当前实现一致，仍由现有外层逻辑处理
不需要因为 multishift 改变 SSE3 或 scalar 的阈值

Decode 算法（VPERMI2B 路径）

核心思想： VPERMI2B 可以做 128 字节 LUT 查表（输入值的 bit6 选择源寄存器），一条指令同时完成校验和翻译。

输入: 64 bytes base64 → 输出: 48 bytes raw

Step 1: VMOVDQU32 (BX), Z0        // 加载 64 字节 base64 输入
Step 2: VPERMI2B Z5, Z4, Z0       // 校验+翻译：Z4=LUT[0..63], Z5=LUT[64..127]
                                   // 非法字符 → 0xFF，合法字符 → 6-bit 值
Step 3: 检测非法字符
  VPXORD Z2, Z2, Z2               // Z2 = 0
  VPCMPB $1, Z2, Z0, K1           // K1[i]=1 if Z0[i] < 0 (bit7 置位 = 非法)
  KTESTQ K1, K1
  JNZ avx512_done                  // 有非法字符则退出，交给 generic 处理
Step 4: 6-bit → 24-bit 压缩（复用 AVX2 常量，via VBROADCASTI32X4）
  VPMADDUBSW Z6, Z0, Z0           // Z6 = dec_reshuffle_const0（广播）
  VPMADDWD Z7, Z0, Z0             // Z7 = dec_reshuffle_const1（广播）
  VPSHUFB Z8, Z0, Z0              // Z8 = dec_reshuffle_mask（广播）
  // 每 16 字节 lane 内：valid bytes at [0..11]（连续），[12..15] 填 0
Step 5: VPERMB Z0, Z3, Z0                     // 64→48 字节压缩（Z3=dec512_compress，循环前加载一次）
Step 6: 存储 48 字节
  VMOVDQU Y0, (AX)                // 低 32 字节（YMM 直接存储）
  VEXTRACTI32X4 $2, Z0, X1       // 提取 lane 2（字节 32..47）
  VMOVDQU X1, 32(AX)             // 存储高 16 字节

Reshuffle 常量复用（VBROADCASTI32X4）：

VBROADCASTI32X4 dec_reshuffle_const0<>(SB), Z6  // 与 AVX2 Y6 共用低256位
VBROADCASTI32X4 dec_reshuffle_const1<>(SB), Z7  // 与 AVX2 Y7 共用低256位
VBROADCASTI32X4 dec_reshuffle_mask<>(SB), Z8    // 与 AVX2 Y8 共用低256位

Decode LUT 结构（Standard，各 64 字节）：

stddec512_lut_lo（索引 0..63）：

0x00..0x2A → 0xFF（非法）
0x2B（+） → 62
0x2C..0x2E → 0xFF
0x2F（/） → 63
0x30..0x39（0-9）→ 52..61
0x3A..0x3F → 0xFF

stddec512_lut_hi（索引 64..127，即 ASCII 0x40..0x7F）：

0x40 → 0xFF
0x41..0x5A（A-Z）→ 0..25
0x5B..0x60 → 0xFF
0x61..0x7A（a-z）→ 26..51
0x7B..0x7F → 0xFF

Decode LUT 结构（URL-safe）：

urldec512_lut_lo: 0x2B（+）→ 0xFF，0x2D（-）→ 62，0x2F（/）→ 0xFF；其余同 std
urldec512_lut_hi: 0x5F（_）→ 63；其余同 std

dec512_compress 常量（64 字节）：

前 48 字节按 lane 连续选出有效字节，后 16 字节填 0（VPERMB 用 Z3 作索引寄存器，循环前 VMOVDQU32 dec512_compress<>(SB), Z3 加载一次）：

字节 0..47: lane0=[0..11], lane1=[16..27], lane2=[32..43], lane3=[48..59]
字节 48..63: 0x00（不使用）

重要：dec_reshuffle_mask 中 0xFF 条目在每 lane 的第 12..15 字节处，所以每 lane 有效字节在 [0..11]（连续 12 个），不是 [0,1,2,4,5,6,8,9,10,12,13,14]。compress 表按此连续排列。

LUT 生成脚本

运行方式：

go run gen_lut.go

生成的常量（按输出顺序）：

常量名	大小	用途
`enc512_std_lut`	64 字节	encode Standard LUT（`A-Za-z0-9+/`）
`enc512_url_lut`	64 字节	encode URL-safe LUT（`A-Za-z0-9-_`）
`enc512_ms_shuffle`	64 字节	可选 VPMULTISHIFTQB encode 路径的重排索引（每 qword 为 `[s1,s0,s2,s1
`enc512_ms_shift`	16 字节	可选 VPMULTISHIFTQB encode 路径的 qword selector，运行时用 `VBROADCASTI32X4` 广播
`stddec512_lut_lo`	64 字节	decode Standard LUT 低段（ASCII 0..63）
`stddec512_lut_hi`	64 字节	decode Standard LUT 高段（ASCII 64..127）
`urldec512_lut_lo`	64 字节	decode URL-safe LUT 低段
`urldec512_lut_hi`	64 字节	decode URL-safe LUT 高段
`dec512_compress`	64 字节	VPERMB 压缩索引（64→48 字节，每 lane 取连续 [0..11]，共 4 lane）

关键实现逻辑：

le64：将 8 字节切片按小端序打包为 uint64，输出 0x... 十六进制字面量（匹配 Go 汇编 DATA 语法）
enc512_ms_shift：生成一个 16 字节块，内容为两个 qword 的 [10, 4, 22, 16, 42, 36, 54, 48]，供 VBROADCASTI32X4 扩成整条 ZMM selector
decode LUT：非法字符填 0xFF（bit7 置位），后续 VPCMPB $1, Z2, Z0, K1 检测 Z0[i] < 0
dec512_compress：每 lane 取连续 12 字节 [lane*16 .. lane*16+11]，前 48 字节有效，后 16 字节保持 0；在循环前加载到 Z3 寄存器，使用 VPERMB Z0, Z3, Z0（非内存形式）

当前脚本的边界：

已生成 VPMULTISHIFTQB 路径可直接复用的 direct LUT（即 enc512_std_lut / enc512_url_lut）和 shift selector（enc512_ms_shift）
enc512_ms_shuffle 与所选 qword 打包布局强耦合，建议在最终确定 multishift 实现时再按具体布局生成，不在通用脚本里预设错误版本

处理阈值

路径	Encode 阈值	Decode 阈值	单轮处理
AVX512 VBMI	≥64 字节输入（安全加载 64 字节）	≥64 字节输入	48→64 / 64→48
AVX2	≥28 字节输入	≥40 字节输入	24→32 / 32→24
SSE3	≥16 字节输入	≥24 字节输入	12→16 / 16→12

注意（Encode）： 每轮实际消耗 48 字节输入，但要求 CX ≥ 64 是为了 VMOVDQU32 (BX), Z0 的安全读取；enc512_ms_shuffle 只会消费前 48 字节。

实现步骤（已全部完成 ✅）

Phase 1: 准备工作 ✅

在 base64_asm.go 中新增 useAVX512VBMI 变量，删除 useAVX
验证编译通过

Phase 2: 移除 AVX 路径 ✅

从 base64_amd64.s 中删除 AVX 宏和所有 AVX 分支代码
从 base64_asm.go 中删除 useAVX 变量
验证 SSE3 和 AVX2 路径仍然正确（本地 go test）

Phase 3: 实现 AVX512 Encode ✅

定义 encode LUT 常量（std + url，各 64 字节）
定义 enc512_ms_shuffle / enc512_ms_shift 常量
实现 avx512 encode 分支：VPERMB pack -> VPMULTISHIFTQB -> VPERMB -> 存储
为 multishift 路径完善 AVX2 fallback 重载逻辑

enc512_ms_shift 使用 VBROADCASTI32X4，减少只读常量占用
MOVQ SI, R9 在 XORQ SI, SI 前备份 lut 指针

Phase 3b: 可选的 VPMULTISHIFTQB Encode 实验

定义 enc512_ms_shift 常量（16 字节，用 VBROADCASTI32X4 广播成每 qword 的 [10,4,22,16,42,36,54,48]）
根据最终 qword 打包布局定义 enc512_ms_shuffle 常量
实现独立 avx512_ms encode 分支：VPERMB -> VPMULTISHIFTQB -> VPERMB
为 multishift 分支新增独立 avx512_ms_done，完整重载 Y6-Y13 后再跳 avx2_head
使用独立 benchmark 与现有 mulhi/mullo 版本做 A/B，对比不同微架构（至少 Zen 4 / Zen 5 或 Intel Ice Lake 一类）

Phase 4: 实现 AVX512 Decode ✅

定义 stddec512_lut_lo/hi 和 urldec512_lut_lo/hi（各 64 字节）
定义 dec512_compress（64 字节压缩表）
复用 dec_reshuffle_const0/1/mask 16 字节常量（VBROADCASTI32X4 广播到 Z6-Z8）
- reshuffle 寄存器用 Z6-Z8（而非其他编号）以与 AVX2 Y6-Y8 对齐
实现 VPERMI2B 校验+翻译 + VPCMPB/KTESTQ 错误检测
实现 512-bit 宽度 reshuffle + VPERMB 压缩
存储方式：VMOVDQU Y0 (32字节) + VEXTRACTI32X4 $2 + VMOVDQU X1 (16字节)

Phase 5: 优化与测试 ✅

添加输入长度预检（CMPQ CX, $64）避免短输入时加载无用 ZMM 常量
avx512_done 完善：回退到 AVX2 内部 label，而非直接返回给 Go 层（减少函数调用开销）
对 multishift 分支单独检查 fallback：确认 BX/CX/SI 推进与原 AVX512 路径完全一致
寄存器编号优化（Z7-Z10 encode, Z6-Z8 decode）以与 AVX2 对齐，消除 fallback 时的重复加载
本地编译验证（go build ./...）
运行测试（go test -count=1 ./... → ok github.com/emmansun/base64）

寄存器分配规划

Encode（AVX512 主循环）

当前 encode 实现使用 multishift 路径。由于 Z7-Z10 不再保留 AVX2 所需 mulhi/mullo 常量， avx512_done 会在回退到 avx2_head 前完整重载 Y6-Y13。

寄存器	用途
Z0	数据工作寄存器（输入/pack/索引/输出）
Z4	encode LUT（64 字节，VPERMB 源）：std 或 url
Z5	enc512_ms_shuffle（VPERMB 打包表）
Z6	enc512_ms_shift（VBROADCASTI32X4 后的 selector）
SI	AVX512主循环: 输出字节偏移（XORQ 清零）；setup: lut 指针（由 R9 备份）
BX	输入指针
CX	剩余输入字节数
AX	输出基址
R8	LUT 选择临时（读取 lut[12] 判断 std/url）
R9	备份 lut 指针（`MOVQ SI, R9` 在 XORQ SI 前），供 `avx512_done` 加载 Y13 用

Decode（AVX512 主循环）

寄存器编号故意选 Z6-Z8 以与 AVX2 路径的 Y6-Y8 对齐，avx512_done 回退到 avx2_loop 时无需重新加载 reshuffle 常量。

寄存器	用途
Z0	数据工作寄存器（输入/翻译/reshuffle/压缩）
Z2	零寄存器（VPXORD Z2, Z2, Z2，VPCMPB 用）
Z3	dec512_compress（VPERMB 压缩索引，循环前加载一次）
Z4	decode LUT low（索引 0..63，VPERMI2B src1）
Z5	decode LUT high（索引 64..127，VPERMI2B src2）
Z6	dec_reshuffle_const0（与 AVX2 Y6 共用低256位）
Z7	dec_reshuffle_const1（与 AVX2 Y7 共用低256位）
Z8	dec_reshuffle_mask（与 AVX2 Y8 共用低256位）
K1	error mask（VPCMPB 结果）
X0/Y0	Z0 的低 128/256 位别名，用于存储
X1	VEXTRACTI32X4 $2 提取的 lane 2

AVX512 → AVX2 内部 Fallback 机制

设计目标

Encode fallback (`avx512_done`)

avx512_done:
    // Fall back to AVX2 for the remaining tail (CX in [16..63]).
  // The multishift path does not preserve AVX2 mulhi/mullo constants in Y7-Y10,
  // so reload the full AVX2 encode state before jumping into avx2_head.
    CMPQ CX, $16
    JB avx512_ret
    VBROADCASTI128 reshuffle_mask<>(SB), Y6
    VBROADCASTI128 range_0_end<>(SB), Y11
    VBROADCASTI128 range_1_end<>(SB), Y12
    VBROADCASTI128 (R9), Y13    // lut pointer saved in R9 before XORQ SI
    JMP avx2_head               // Y7-Y10 already valid from Z7-Z10
avx512_ret:
    MOVQ SI, ret+56(FP)
    VZEROUPPER
    RET

Y6/Y11/Y12/Y13 是 avx2_head 中用到的剩余寄存器（Y7-Y10 已由 Z7-Z10 低256位提供）
R9 在 avx512 入口 MOVQ SI, R9 保存 lut 指针，避免 XORQ SI, SI（清零输出偏移）后丢失
无 VZEROUPPER：因为紧接着执行 AVX2 VEX 指令，不需要清除 ZMM 上半部分

Decode fallback (`avx512_done`)

avx512_done:
    // Fall back to AVX2 for the remaining tail (CX in [24..63]).
    // Y6-Y8 (dec_reshuffle_const0/1, dec_reshuffle_mask) are already valid as
    // the lower 256 bits of Z6-Z8; no VZEROUPPER needed.
    CMPQ CX, $24
    JB avx512_ret
    VBROADCASTI128 nibble_mask<>(SB), Y9
    VBROADCASTI128 stddec_lut_hi<>(SB), Y10
    VBROADCASTI128 stddec_lut_lo<>(SB), Y11
    VBROADCASTI128 stddec_lut_roll<>(SB), Y12
    JMP avx2_loop               // Y6-Y8 already valid from Z6-Z8
avx512_ret:
    MOVQ CX, ret+48(FP)
    VZEROUPPER
    RET

Y9/Y10/Y11/Y12 是 avx2_loop 需要的其余寄存器（Y6-Y8 已由 Z6-Z8 低256位提供）
URL decode 另需 VBROADCASTI128 url_const_5e<>(SB), Y13

寄存器复用的关键原理

关键不变式

注意事项

VZEROUPPER

AVX512 指令使用 ZMM 寄存器，直接返回前必须调用 VZEROUPPER 清除 ZMM 上半部分
AVX512 fallback 到 AVX2 时不需要 VZEROUPPER：紧接着执行的 AVX2 VEX 指令不受 ZMM 上半部分值影响
avx512_ret（直接 RET 路径）需要 VZEROUPPER；avx512_done → avx2_head/loop 路径不需要

64 字节对齐

ZMM 加载/存储（VMOVDQU32/VMOVDQU64）不要求 64 字节对齐
但对齐可以提升性能，考虑在数据量足够大时做对齐处理

VINSERTI32X4 别名

Go 汇编中 X0 是 Z0 的低 128 位别名，Y0 是低 256 位别名
存储 48 字节时：VMOVDQU Y0, (AX) 存低 32 字节，VEXTRACTI32X4 $2, Z0, X1 + VMOVDQU X1, 32(AX) 存高 16 字节
比 3×VEXTRACTI32X4 少一次 extract 指令

VPERMB 与 VPERMI2B 的操作数语义

VPERMB（Go 语法）：

VPERMB Z_src, Z_idx, Z_dst    // dst[i] = src[idx[i] & 63]

注意 Go 汇编的操作数顺序与 Intel 手册相反。

VPERMI2B（Go 语法）：

VPERMI2B Z_src2, Z_src1, Z_idx_dst
// idx_dst[i] = (idx_dst[i] & 64) ? src2[idx_dst[i]&63] : src1[idx_dst[i]&63]

VPERMI2B 就地修改 idx 寄存器（Z_idx_dst 既是索引输入也是结果输出）。

VPMULTISHIFTQB（Go 语法）：

VPMULTISHIFTQB Z_data, Z_control, Z_dst

这里也要按 Go 汇编的源操作数顺序来写，不要照搬 Intel 手册或 intrinsics 文档里的参数排列。
在本仓库的 encode 热循环中，正确写法是：

VPERMB Z0, Z5, Z0
VPMULTISHIFTQB Z0, Z6, Z0
VPERMB Z4, Z0, Z0

一个已在 CI 中踩过的坑是把 Z6 和 Z0 写反。那样本地的“纯 Go 常量参考测试”仍可能通过，但真实 AVX512 路径会输出明显错误的 base64 文本。
因此实现 multishift 时，必须同时做两类验证：
1. 常量级参考测试：验证 enc512_ms_shuffle + enc512_ms_shift 的数学模型正确。
2. 真机 AVX512 测试：验证 Go 汇编指令顺序、寄存器使用和 fallback 逻辑都正确。

VBROADCASTI32X4 复用 16 字节常量

VBROADCASTI32X4 mulhi_mask<>(SB), Z6
// 将 16 字节 XMM 常量广播到 ZMM 的 4 个 128-bit lane，等效于 4 次拼接
// 避免定义专用 64 字节常量，节省 rodata 空间

输入长度预检模式

// 正确模式：先检查长度，再检查 CPU 能力
CMPQ CX, $64
JB   xxx_not_avx512
CMPB ·useAVX512VBMI(SB), $1
JE   avx512
xxx_not_avx512:
CMPB ·useAVX2(SB), $1
JE   avx2

每个函数用独立 label（enc_not_avx512、stddec_not_avx512、urldec_not_avx512）避免重名。

Decode 压缩存储

选用 VPERMB + 2 次存储方案：

VMOVDQU Y0, (AX) — 存低 32 字节（YMM 直接写，无需 extract）
VEXTRACTI32X4 $2, Z0, X1; VMOVDQU X1, 32(AX) — 提取并存高 16 字节
共 1 次 VPERMB + 2 次 store + 1 次 extract，比 3×(extract+store) 少 1 次 extract

base64-amd64-avx512vbmi

More from this repository

AMD64 AVX512 VBMI BASE64 实现技能

适用场景

设计决策

1. 仅实现 AVX512 VBMI 路径

2. 移除 AVX（无 AVX2）路径，保留 SSE3 和 AVX2

3. 复用现有函数签名

4. Go 层变量设计

环境约束

算法设计

参考实现

Go 1.25 AVX512 指令支持

Encode 算法（VPERMB 路径）

Encode 变体对照

Encode 算法（VPMULTISHIFTQB 可选路径）

在 base64_amd64.s 中落地 multishift encode 的实施清单

multishift 对剩余字节 fallback 的具体影响

Decode 算法（VPERMI2B 路径）

LUT 生成脚本

处理阈值

实现步骤（已全部完成 ✅）

Phase 1: 准备工作 ✅

Phase 2: 移除 AVX 路径 ✅

Phase 3: 实现 AVX512 Encode ✅

Phase 3b: 可选的 VPMULTISHIFTQB Encode 实验

Phase 4: 实现 AVX512 Decode ✅

Phase 5: 优化与测试 ✅

寄存器分配规划

Encode（AVX512 主循环）

Decode（AVX512 主循环）

AVX512 → AVX2 内部 Fallback 机制

设计目标

Encode fallback (avx512_done)

Decode fallback (avx512_done)

寄存器复用的关键原理

关键不变式

注意事项

VZEROUPPER

64 字节对齐

VINSERTI32X4 别名

VPERMB 与 VPERMI2B 的操作数语义

VBROADCASTI32X4 复用 16 字节常量

输入长度预检模式

Decode 压缩存储

AMD64 AVX512 VBMI BASE64 实现技能

适用场景

设计决策

1. 仅实现 AVX512 VBMI 路径

2. 移除 AVX（无 AVX2）路径，保留 SSE3 和 AVX2

3. 复用现有函数签名

4. Go 层变量设计

环境约束

算法设计

参考实现

Go 1.25 AVX512 指令支持

Encode 算法（VPERMB 路径）

Encode 变体对照

Encode 算法（VPMULTISHIFTQB 可选路径）

在 base64_amd64.s 中落地 multishift encode 的实施清单

multishift 对剩余字节 fallback 的具体影响

Decode 算法（VPERMI2B 路径）

LUT 生成脚本

处理阈值

实现步骤（已全部完成 ✅）

Phase 1: 准备工作 ✅

Phase 2: 移除 AVX 路径 ✅

Phase 3: 实现 AVX512 Encode ✅

Phase 3b: 可选的 VPMULTISHIFTQB Encode 实验

Phase 4: 实现 AVX512 Decode ✅

Phase 5: 优化与测试 ✅

寄存器分配规划

Encode（AVX512 主循环）

Decode（AVX512 主循环）

AVX512 → AVX2 内部 Fallback 机制

设计目标

Encode fallback (avx512_done)

Decode fallback (avx512_done)

寄存器复用的关键原理

关键不变式

在 `base64_amd64.s` 中落地 multishift encode 的实施清单

Encode fallback (`avx512_done`)

Decode fallback (`avx512_done`)

在 `base64_amd64.s` 中落地 multishift encode 的实施清单

Encode fallback (`avx512_done`)

Decode fallback (`avx512_done`)