Base64 Amd64 Avx512vbmi

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：

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

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：

⚠️ 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：

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。

1. 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

2. 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

3. 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

4. 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

5. 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

6. 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

7. 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

8. 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

9. 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）：

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

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 ✅

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

Phase 2: 移除 AVX 路径 ✅

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

Phase 3: 实现 AVX512 Encode ✅

6. 定义 encode LUT 常量（std + url，各 64 字节）
7. 定义 enc512_ms_shuffle / enc512_ms_shift 常量
8. 实现 avx512 encode 分支：VPERMB pack -> VPMULTISHIFTQB -> VPERMB -> 存储
9. 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

10. 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]）
11. 根据最终 qword 打包布局定义 enc512_ms_shuffle 常量
12. 实现独立 avx512_ms encode 分支：VPERMB -> VPMULTISHIFTQB -> VPERMB
13. 为 multishift 分支新增独立 avx512_ms_done，完整重载 Y6-Y13 后再跳 avx2_head
14. 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 ✅

15. 定义 stddec512_lut_lo/hi 和 urldec512_lut_lo/hi（各 64 字节）
16. 定义 dec512_compress（64 字节压缩表）
17. 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
18. 实现 VPERMI2B 校验+翻译 + VPCMPB/KTESTQ 错误检测
19. 实现 512-bit 宽度 reshuffle + VPERMB 压缩
20. 存储方式：VMOVDQU Y0 (32字节) + VEXTRACTI32X4 $2 + VMOVDQU X1 (16字节)

Phase 5: 优化与测试 ✅

21. 添加输入长度预检（CMPQ CX, $64）避免短输入时加载无用 ZMM 常量
22. 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）
23. 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
24. 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
25. 本地编译验证（go build ./...）
26. 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。

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。

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