AVX512 中的 128 位跨通道操作是否提供更好的性能？
Do 128bit cross lane operations in AVX512 give better performance?
在为 AVX256、AVX512 和有朝一日的 AVX1024 设计前瞻性算法并考虑 complexity/cost 大 SIMD 宽度的完全通用置换的潜在实现时，我想知道通常保持隔离的 128 位操作是否更好，即使在 AVX512 中？
特别是考虑到 AVX 有 128 位单元来执行 256 位操作。
为此，我想知道跨所有 512 位向量的 AVX512 置换类型操作与每个 4x128 位子 内的置换类型操作之间是否存在性能差异512 位向量的向量？
一般来说是的，在 SKX 上，通道内延迟仍然较低（1 个周期对 3 个周期），但通常 不值得花费额外的指令来使用他们 而不是强大的交叉车道洗牌。但是，vpermt2w 和其他一些洗牌需要多个洗牌端口 uops，因此它们的成本与多个更简单的洗牌一样多。
Shuffle 吞吐量 很容易成为瓶颈 如果你不小心最近的 Intel CPU（端口上只有一个 shuffle 执行单元5).有时甚至值得使用两个重叠加载而不是一次加载和混洗，即使用未对齐的加载作为混洗，因为 L1D 缓存很快，未对齐加载的加载端口处理也很快。 （不过，对于 AVX512 就不是这样了，尤其是因为每个未对齐的 512b 加载都会自动进行缓存行拆分，因为向量和缓存行都是 64 字节。）
对于 256 位加载，一个技巧是选择一个加载地址，将您关心的数据分成两个通道，这样您就可以使用 vpshufb (_mm256_shuffle_epi8) in-通道字节随机播放以获得需要的每个字节。
还有旋转（AVX512中的新）和移位指令（不是新的）。例如，如果您使用 32 或 16 的移位或旋转计数，则 64 位元素大小版本可以在较小的元素之间移动数据。 vprolq zmm, zmm, 32 是 1c 延迟，运行s 在端口 0（以及 xmm/ymm 版本的端口 1）上，将每个元素与其邻居交换。 Shifts/rotates 不要在 SKX 上竞争端口 5。
For a horizontal sum，唯一真正的选择是按什么顺序洗牌。通常从 extract / add 开始到 128b，然后使用 __m128 洗牌（或整数移位），而不是每次随机播放都使用 vpermd/q。或者，如果您希望将结果广播到所有元素，请在前几次添加之间使用通道内洗牌，然后在 128b 和 256b 块中洗牌，并进行交叉洗牌。 （在 128b 块中洗牌并不比更小粒度的即时控制洗牌快，例如 SKX 上的 vpermq z,z,imm8，但这就是在使用 vshufps 或 vpermilps.)
请注意，某些未来的 AMD CPU 可能会将 512b 运算符拆分为两个 256b 运算符。那里的车道交叉洗牌要贵得多。即使 vperm2f128 在 Zen1 上也是 8 微指令，3c lat / 3c 吞吐量，而在 SKL 上是 1 微指令。车道内洗牌显然很容易分解为每个车道 1 uop，但车道交叉不会。
Xeon Phi（已停产）
在 KNL 上，重要的不是对线，而是 1 源与 2 源的洗牌。
例如vshufps dst, same,same, imm8 是 vpermilps dst, src, imm8.
吞吐量的一半
带有矢量控制的 1 源洗牌，如 vpermd v,v,v 仍然很快，但是（1 源 + 1 洗牌控制矢量）。
即使只有 1 uop，4-7c 延迟洗牌（2 输入）的吞吐量也比 2c 差。我想这意味着 KNL 的洗牌单元没有完全流水线化。
原始数据
https://uops.info/ is the go-to for uops / latency / ports microbenchmark info these days. Generally well-crafted microbenchmarks and detailed results that don't try to boil things down to a single number when there multiple uops and different latencies from different inputs to the ouput(s). And no manual typos like there sometimes are in Agner Fog's 否则很好的指令表。 Agner 的微架构指南是理解数字以及前端等可能的其他瓶颈的必备读物。
第一次写这个答案时，https://uops.info/ didn't exist, and Agner Fog didn't yet have test results for Skylake-X (SKX) aka SKL-SP or gcc -march=skylake-avx512. But there was already InstLatx64 (Instruction throughput/Latency) results, and IACA support. InstLatx64 has a spreadsheet (ODS OpenOffice/LibreOffice format) combining data from IACA (just uop count and ports), and published by Intel in a PDF (throughput/latency), and from real experimental testing on real hardware (throughput/latency). These days https://uops.info/ 可以很快测试新的微体系结构，但 InstLat 有时会在测试结果之前进行 CPUID 转储。
Agner Fog's 指令表包含 Knight's Landing Xeon Phi (KNL) 的数据，并且在他的微架构 PDF 中有一节是关于它的基于 Silvermont 的微架构。
如果 KNL 指令的输入来自同一执行单元（例如 shuffle -> shuffle）而不是 FMA -> shuffle，则它们的延迟会更好。 （请参阅 Agner 电子表格顶部的注释）。这就是 4-7c 延迟数字的含义。转置或执行一连串洗牌的操作可能主要看到较低的延迟数。 （但是 KNL 通常有很高的延迟，这就是为什么它有 4 路超线程
试图隐藏它们）。
SKX：Skylake-AVX512（可能还有未来的主流 Intel CPU）
所有通道交叉洗牌最多为 1 uop，3c 延迟，1c 吞吐量。但即使 complex/powerful 像 2-input vpermt2ps 这样的速度也很快。这包括所有洗牌整个通道的洗牌，或 insert/extract 256b 块。
所有仅车道内洗牌都是 1c 延迟（除了一些新的 avx512 车道交叉洗牌的 xmm 版本）。因此，当您需要时，请使用 vpshufd zmm, zmm, imm8 或 vpunpcklqdq zmm, zmm, zmm。或 vpshufb 或 vpermilps 带矢量控制输入。
像 Haswell 和 SKL（非 avx512）一样，SKX 只能运行 shuffle 端口 5 上的 uops。再次与那些早期的 CPU 一样，它可以仅使用加载端口进行广播加载，因此这与常规矢量加载一样便宜。 AVX512 广播负载可以微熔断，使内存源广播比寄存器源更便宜（就混洗吞吐量而言）。
甚至 vmovsldup ymm, [mem] / vmovshdup ymm, [mem] 也只使用加载 uop 进行 256b 洗牌。 IDK 约 512b； Instlat 没有测试 memory-source movsl/hdup，所以我们只有 Agner Fog 的数据。 （并且 IIRC 我在自己的 SKL 上确认了这一点）。
请注意，当 运行ning 512b 指令时，端口 1 上的向量 ALU 被禁用，因此每个时钟的最大吞吐量为 2 个向量 ALU 微指令。 （但是 p1 仍然可以 运行 整数。）向量 load/store uops 不需要 p0 / p5，所以你仍然可以在前端遇到瓶颈（每个时钟 4 uops issue/rename ) 在混合了非融合加载、存储和 ALU（以及整数循环开销和 vmovdqa 寄存器复制在重命名阶段使用未融合域 uop 处理）的代码中。
SKX 规则的例外情况：
VPMOVWB ymm, zmm 和类似的 t运行cate 或 signed/unsigned 饱和指令是 2 微指令，4c 延迟。 （或 2c 对于 xmm 版本）。 vpmovqd 是 1 uop，3c（或 1c xmm）延迟，因为它的最小粒度是 dword 并且它只是 t运行cating，而不是饱和，所以它可以使用与pshufb 例如。 vpmovz/sx 指令仍然只有 1 uop。
vpcompressd/q（基于掩码的左包）是 2 uops (p5)，3c 延迟。 （或者根据 Intel 发布的 6c；也许 Instlat 正在测试向量-> 向量延迟，而 Intel 正在提供 k 寄存器 -> 向量延迟？它不太可能依赖于数据并且使用简单的掩码更快。）vpexpandd 也是 2 微指令。
AVX512BW vpermt2w / vpermi2w 是 3 微指令 (p0 + 2p5)，所有 3 个操作数大小的 7c 延迟（xmm/ymm/zmm）。小粒度 wide shuffle 在硬件上很昂贵（参见 including the comments). This is a 2-source 16-bit-element shuffle with the control in a 3rd vector. It might get faster eventually in future generations, the way pshufb (and all full-register shuffles with granularity smaller than 8 bytes) was slow in first-gen Core2 Conroe/Merom，但在 die-shrink 下一代 (Penryn) 中速度很快。
AVX512BW vpermw (one-source lane-crossing word shuffle) 是 2p5, 6c latency, 2c throughput 因为它是 lane-crossing单词随机播放。
预计 AVX512VBMI vpermt2b 在 Cannonlake 上会一样糟糕或更糟，即使 Cannonlake 确实有所改善 vpermt2w / vpermw.
vpermt2d/q/ps/pd 在 SKX 中都是有效的，因为它们的粒度是双字（32 位）或更宽。 （但 xmm 版本显然仍然有 3c 延迟，因此他们没有构建单独的硬件来加速单通道版本）。这些甚至比车道交叉口 shufps 更强大：一个变量控制并且没有限制每个元素来自哪个源寄存器。这是一个 完全 通用的 2 源混洗，您可以在其中对 2 个寄存器的串联进行索引，覆盖索引 (vpermi2*) 或其中一个表 (vpermt2*) .只有一个内在函数，因为编译器处理寄存器分配和复制以保留仍然需要的值。
骑士登陆地：
仅在 FP0 端口上 运行 随机播放，但前端吞吐量仅为每个时钟 2 微指令。因此，您的总指令中的更多部分可以在没有瓶颈的情况下进行洗牌（相对于 SKX），除非它们是半吞吐量洗牌。
一般来说，像 vperm2f128/vshuff32x4 或 vshufps 这样的 2-input shuffle 是 2c throughput / 4-7c latency，而 1-input shuffle 如 vpermd是 1c 吞吐量/3-6c 延迟。 （即 2 个输入占用洗牌单元一个额外的周期（吞吐量的一半）并花费 1 个额外的延迟周期）。 Agner 不清楚不完全流水线洗牌的确切影响是什么，但我认为它只是捆绑了洗牌单元，而不是端口 FP0 上的所有内容（如 FMA 单元）。
在KNL上是否穿越车道没有区别，例如vpermilps 和 vpermps 都很快（1c 吞吐量，3-6c 延迟），但 vpermi2ps 和 vshufps 都很慢（2c 吞吐量，4-7c 延迟）。对于 KNL 支持 AVX512 版本的说明，我没有看到任何例外情况。 （即不计算 AVX2 vpshufb，即几乎任何具有 32 位或更大粒度的东西）。
vinserti32x4 等等（insert/extract 粒度至少为 128b）是用于插入的 2-input shuffle，但速度很快：3-6c lat / 1c tput。但是提取到内存是多个 uops 并导致解码瓶颈：例如VEXTRACTF32X4 m128,z 是 4 微指令，每 8c 吞吐量一个。 （主要是因为解码）。
vcompress/ps/d、vpcompressd/q 和 v[p]expandd/q/ps/pd 是 1 uop，3-6c 延迟。 （与 SKX 上的 2 微指令相比）。但是每 3c 的吞吐量只有一个：Agner 没有指出这是否会占用 2c 的整个洗牌单元，或者是否只有这部分没有完全流水线化。
AVX2 byte/word 对于 256b 操作数大小的洗牌非常慢：pshufb xmm 是 5 uops / 10c 吞吐量，vpshufb ymm 是 12 uops / 12c 吞吐量。 （MMX pshufb mm 是 1 uop，2-6c 延迟，1c 吞吐量，所以我猜字节粒度洗牌单元是 64b 宽。）
pshuflw xmm 快 1 微指令，但 vpshuflw ymm 是 4 微指令，8c 吞吐量。
使用 128 位 AVX（vpsadbw xmm 很快），KNL 上的视频编码可能勉强值得，但 AVX2 ymm 指令通常比使用更多 1 uop xmm 指令慢。
movss/sd xmm,xmm 是一种混合，而不是随机播放，具有 0.5c 的吞吐量/2c 的延迟。
vpunpcklbw / wd 非常慢（xmm 版本除外），但即使对于 ymm / zmm 操作数大小，DQ 和 QDQ 也是常规速度。 （2c 吞吐量/4-7c 延迟，因为它是 2 输入随机播放）。
vpmovzx 是 3c 延迟（不是 3-6c？）和 2c 吞吐量，即使对于 vpmovzxbw。 vpmovsx 较慢：2 微指令，因此是解码瓶颈，使其成为 8c 延迟和 7c 吞吐量。缩小的 t运行cate 指令（vpmovqb 等）是 1 uop，3c lat / 1c tput，但缩小的饱和指令是 2 uops，因此很慢。 Agner 没有用内存目的地测试它们。
在为 AVX256、AVX512 和有朝一日的 AVX1024 设计前瞻性算法并考虑 complexity/cost 大 SIMD 宽度的完全通用置换的潜在实现时，我想知道通常保持隔离的 128 位操作是否更好，即使在 AVX512 中？
特别是考虑到 AVX 有 128 位单元来执行 256 位操作。
为此，我想知道跨所有 512 位向量的 AVX512 置换类型操作与每个 4x128 位子 内的置换类型操作之间是否存在性能差异512 位向量的向量？
一般来说是的，在 SKX 上，通道内延迟仍然较低（1 个周期对 3 个周期），但通常 不值得花费额外的指令来使用他们 而不是强大的交叉车道洗牌。但是，vpermt2w 和其他一些洗牌需要多个洗牌端口 uops，因此它们的成本与多个更简单的洗牌一样多。
Shuffle 吞吐量 很容易成为瓶颈 如果你不小心最近的 Intel CPU（端口上只有一个 shuffle 执行单元5).有时甚至值得使用两个重叠加载而不是一次加载和混洗，即使用未对齐的加载作为混洗，因为 L1D 缓存很快，未对齐加载的加载端口处理也很快。 （不过，对于 AVX512 就不是这样了，尤其是因为每个未对齐的 512b 加载都会自动进行缓存行拆分，因为向量和缓存行都是 64 字节。）
对于 256 位加载，一个技巧是选择一个加载地址，将您关心的数据分成两个通道，这样您就可以使用 vpshufb (_mm256_shuffle_epi8) in-通道字节随机播放以获得需要的每个字节。
还有旋转（AVX512中的新）和移位指令（不是新的）。例如，如果您使用 32 或 16 的移位或旋转计数，则 64 位元素大小版本可以在较小的元素之间移动数据。 vprolq zmm, zmm, 32 是 1c 延迟，运行s 在端口 0（以及 xmm/ymm 版本的端口 1）上，将每个元素与其邻居交换。 Shifts/rotates 不要在 SKX 上竞争端口 5。
For a horizontal sum，唯一真正的选择是按什么顺序洗牌。通常从 extract / add 开始到 128b，然后使用 __m128 洗牌（或整数移位），而不是每次随机播放都使用 vpermd/q。或者，如果您希望将结果广播到所有元素，请在前几次添加之间使用通道内洗牌，然后在 128b 和 256b 块中洗牌，并进行交叉洗牌。 （在 128b 块中洗牌并不比更小粒度的即时控制洗牌快，例如 SKX 上的 vpermq z,z,imm8，但这就是在使用 vshufps 或 vpermilps.)
请注意，某些未来的 AMD CPU 可能会将 512b 运算符拆分为两个 256b 运算符。那里的车道交叉洗牌要贵得多。即使 vperm2f128 在 Zen1 上也是 8 微指令，3c lat / 3c 吞吐量，而在 SKL 上是 1 微指令。车道内洗牌显然很容易分解为每个车道 1 uop，但车道交叉不会。
Xeon Phi（已停产）
在 KNL 上，重要的不是对线，而是 1 源与 2 源的洗牌。
例如vshufps dst, same,same, imm8 是 vpermilps dst, src, imm8.
吞吐量的一半
带有矢量控制的 1 源洗牌，如 vpermd v,v,v 仍然很快，但是（1 源 + 1 洗牌控制矢量）。
即使只有 1 uop，4-7c 延迟洗牌（2 输入）的吞吐量也比 2c 差。我想这意味着 KNL 的洗牌单元没有完全流水线化。
原始数据
https://uops.info/ is the go-to for uops / latency / ports microbenchmark info these days. Generally well-crafted microbenchmarks and detailed results that don't try to boil things down to a single number when there multiple uops and different latencies from different inputs to the ouput(s). And no manual typos like there sometimes are in Agner Fog's 否则很好的指令表。 Agner 的微架构指南是理解数字以及前端等可能的其他瓶颈的必备读物。
第一次写这个答案时，https://uops.info/ didn't exist, and Agner Fog didn't yet have test results for Skylake-X (SKX) aka SKL-SP or gcc -march=skylake-avx512. But there was already InstLatx64 (Instruction throughput/Latency) results, and IACA support. InstLatx64 has a spreadsheet (ODS OpenOffice/LibreOffice format) combining data from IACA (just uop count and ports), and published by Intel in a PDF (throughput/latency), and from real experimental testing on real hardware (throughput/latency). These days https://uops.info/ 可以很快测试新的微体系结构，但 InstLat 有时会在测试结果之前进行 CPUID 转储。
Agner Fog's 指令表包含 Knight's Landing Xeon Phi (KNL) 的数据，并且在他的微架构 PDF 中有一节是关于它的基于 Silvermont 的微架构。
如果 KNL 指令的输入来自同一执行单元（例如 shuffle -> shuffle）而不是 FMA -> shuffle，则它们的延迟会更好。 （请参阅 Agner 电子表格顶部的注释）。这就是 4-7c 延迟数字的含义。转置或执行一连串洗牌的操作可能主要看到较低的延迟数。 （但是 KNL 通常有很高的延迟，这就是为什么它有 4 路超线程 试图隐藏它们）。
SKX：Skylake-AVX512（可能还有未来的主流 Intel CPU）
所有通道交叉洗牌最多为 1 uop，3c 延迟，1c 吞吐量。但即使 complex/powerful 像 2-input vpermt2ps 这样的速度也很快。这包括所有洗牌整个通道的洗牌，或 insert/extract 256b 块。
所有仅车道内洗牌都是 1c 延迟（除了一些新的 avx512 车道交叉洗牌的 xmm 版本）。因此，当您需要时，请使用 vpshufd zmm, zmm, imm8 或 vpunpcklqdq zmm, zmm, zmm。或 vpshufb 或 vpermilps 带矢量控制输入。
像 Haswell 和 SKL（非 avx512）一样，SKX 只能运行 shuffle 端口 5 上的 uops。再次与那些早期的 CPU 一样，它可以仅使用加载端口进行广播加载，因此这与常规矢量加载一样便宜。 AVX512 广播负载可以微熔断，使内存源广播比寄存器源更便宜（就混洗吞吐量而言）。
甚至 vmovsldup ymm, [mem] / vmovshdup ymm, [mem] 也只使用加载 uop 进行 256b 洗牌。 IDK 约 512b； Instlat 没有测试 memory-source movsl/hdup，所以我们只有 Agner Fog 的数据。 （并且 IIRC 我在自己的 SKL 上确认了这一点）。
请注意，当 运行ning 512b 指令时，端口 1 上的向量 ALU 被禁用，因此每个时钟的最大吞吐量为 2 个向量 ALU 微指令。 （但是 p1 仍然可以 运行 整数。）向量 load/store uops 不需要 p0 / p5，所以你仍然可以在前端遇到瓶颈（每个时钟 4 uops issue/rename ) 在混合了非融合加载、存储和 ALU（以及整数循环开销和 vmovdqa 寄存器复制在重命名阶段使用未融合域 uop 处理）的代码中。
SKX 规则的例外情况：
VPMOVWB ymm, zmm和类似的 t运行cate 或 signed/unsigned 饱和指令是 2 微指令，4c 延迟。 （或 2c 对于 xmm 版本）。vpmovqd是 1 uop，3c（或 1c xmm）延迟，因为它的最小粒度是 dword 并且它只是 t运行cating，而不是饱和，所以它可以使用与pshufb例如。vpmovz/sx指令仍然只有 1 uop。vpcompressd/q（基于掩码的左包）是 2 uops (p5)，3c 延迟。 （或者根据 Intel 发布的 6c；也许 Instlat 正在测试向量-> 向量延迟，而 Intel 正在提供k寄存器 -> 向量延迟？它不太可能依赖于数据并且使用简单的掩码更快。）vpexpandd也是 2 微指令。AVX512BW
vpermt2w/vpermi2w是 3 微指令 (p0 + 2p5)，所有 3 个操作数大小的 7c 延迟（xmm/ymm/zmm）。小粒度 wide shuffle 在硬件上很昂贵（参见pshufb(and all full-register shuffles with granularity smaller than 8 bytes) was slow in first-gen Core2 Conroe/Merom，但在 die-shrink 下一代 (Penryn) 中速度很快。AVX512BW
vpermw(one-source lane-crossing word shuffle) 是 2p5, 6c latency, 2c throughput 因为它是 lane-crossing单词随机播放。预计 AVX512VBMI
vpermt2b在 Cannonlake 上会一样糟糕或更糟，即使 Cannonlake 确实有所改善vpermt2w/vpermw.vpermt2d/q/ps/pd在 SKX 中都是有效的，因为它们的粒度是双字（32 位）或更宽。 （但 xmm 版本显然仍然有 3c 延迟，因此他们没有构建单独的硬件来加速单通道版本）。这些甚至比车道交叉口shufps更强大：一个变量控制并且没有限制每个元素来自哪个源寄存器。这是一个 完全 通用的 2 源混洗，您可以在其中对 2 个寄存器的串联进行索引，覆盖索引 (vpermi2*) 或其中一个表 (vpermt2*) .只有一个内在函数，因为编译器处理寄存器分配和复制以保留仍然需要的值。
骑士登陆地：
仅在 FP0 端口上 运行 随机播放，但前端吞吐量仅为每个时钟 2 微指令。因此，您的总指令中的更多部分可以在没有瓶颈的情况下进行洗牌（相对于 SKX），除非它们是半吞吐量洗牌。
一般来说，像 vperm2f128/vshuff32x4 或 vshufps 这样的 2-input shuffle 是 2c throughput / 4-7c latency，而 1-input shuffle 如 vpermd是 1c 吞吐量/3-6c 延迟。 （即 2 个输入占用洗牌单元一个额外的周期（吞吐量的一半）并花费 1 个额外的延迟周期）。 Agner 不清楚不完全流水线洗牌的确切影响是什么，但我认为它只是捆绑了洗牌单元，而不是端口 FP0 上的所有内容（如 FMA 单元）。
在KNL上是否穿越车道没有区别，例如
vpermilps和vpermps都很快（1c 吞吐量，3-6c 延迟），但vpermi2ps和vshufps都很慢（2c 吞吐量，4-7c 延迟）。对于 KNL 支持 AVX512 版本的说明，我没有看到任何例外情况。 （即不计算 AVX2vpshufb，即几乎任何具有 32 位或更大粒度的东西）。vinserti32x4等等（insert/extract 粒度至少为 128b）是用于插入的 2-input shuffle，但速度很快：3-6c lat / 1c tput。但是提取到内存是多个 uops 并导致解码瓶颈：例如VEXTRACTF32X4 m128,z是 4 微指令，每 8c 吞吐量一个。 （主要是因为解码）。vcompress/ps/d、vpcompressd/q和v[p]expandd/q/ps/pd是 1 uop，3-6c 延迟。 （与 SKX 上的 2 微指令相比）。但是每 3c 的吞吐量只有一个：Agner 没有指出这是否会占用 2c 的整个洗牌单元，或者是否只有这部分没有完全流水线化。AVX2 byte/word 对于 256b 操作数大小的洗牌非常慢：
pshufb xmm是 5 uops / 10c 吞吐量，vpshufb ymm是 12 uops / 12c 吞吐量。 （MMXpshufb mm是 1 uop，2-6c 延迟，1c 吞吐量，所以我猜字节粒度洗牌单元是 64b 宽。）pshuflw xmm快 1 微指令，但vpshuflw ymm是 4 微指令，8c 吞吐量。使用 128 位 AVX（
vpsadbw xmm很快），KNL 上的视频编码可能勉强值得，但 AVX2 ymm 指令通常比使用更多 1 uop xmm 指令慢。movss/sd xmm,xmm是一种混合，而不是随机播放，具有 0.5c 的吞吐量/2c 的延迟。vpunpcklbw / wd 非常慢（xmm 版本除外），但即使对于 ymm / zmm 操作数大小，DQ 和 QDQ 也是常规速度。 （2c 吞吐量/4-7c 延迟，因为它是 2 输入随机播放）。
vpmovzx是 3c 延迟（不是 3-6c？）和 2c 吞吐量，即使对于vpmovzxbw。vpmovsx较慢：2 微指令，因此是解码瓶颈，使其成为 8c 延迟和 7c 吞吐量。缩小的 t运行cate 指令（vpmovqb等）是 1 uop，3c lat / 1c tput，但缩小的饱和指令是 2 uops，因此很慢。 Agner 没有用内存目的地测试它们。