]> git.nega.tv - josh/narcissus/commitdiff
blake3-smol: Add minimal blake3 dependency
authorJoshua Simmons <josh@nega.tv>
Sun, 5 Nov 2023 18:39:01 +0000 (19:39 +0100)
committerJoshua Simmons <josh@nega.tv>
Sun, 5 Nov 2023 19:58:31 +0000 (20:58 +0100)
22 files changed:
Cargo.lock
Cargo.toml
ext/blake3-smol/Cargo.toml [new file with mode: 0644]
ext/blake3-smol/LICENSE [new file with mode: 0644]
ext/blake3-smol/README.md [new file with mode: 0644]
ext/blake3-smol/src/asm/blake3_avx2_x86-64_unix.S [new file with mode: 0644]
ext/blake3-smol/src/asm/blake3_avx2_x86-64_windows_gnu.S [new file with mode: 0644]
ext/blake3-smol/src/asm/blake3_avx512_x86-64_unix.S [new file with mode: 0644]
ext/blake3-smol/src/asm/blake3_avx512_x86-64_windows_gnu.S [new file with mode: 0644]
ext/blake3-smol/src/asm/blake3_sse2_x86-64_unix.S [new file with mode: 0644]
ext/blake3-smol/src/asm/blake3_sse2_x86-64_windows_gnu.S [new file with mode: 0644]
ext/blake3-smol/src/asm/blake3_sse41_x86-64_unix.S [new file with mode: 0644]
ext/blake3-smol/src/asm/blake3_sse41_x86-64_windows_gnu.S [new file with mode: 0644]
ext/blake3-smol/src/ffi.rs [new file with mode: 0644]
ext/blake3-smol/src/guts.rs [new file with mode: 0644]
ext/blake3-smol/src/join.rs [new file with mode: 0644]
ext/blake3-smol/src/lib.rs [new file with mode: 0644]
ext/blake3-smol/src/platform.rs [new file with mode: 0644]
ext/blake3-smol/src/portable.rs [new file with mode: 0644]
ext/blake3-smol/src/reference.rs [new file with mode: 0644]
ext/blake3-smol/src/slice.rs [new file with mode: 0644]
ext/blake3-smol/src/test.rs [new file with mode: 0644]

index 9c0a74f22d799419af6e1e57aeee151ef334fd97..9f2873bea2c31207d30ec23e4393ffab2fc31f5f 100644 (file)
@@ -2,12 +2,44 @@
 # It is not intended for manual editing.
 version = 3
 
+[[package]]
+name = "blake3-smol"
+version = "0.1.0"
+dependencies = [
+ "constant_time_eq",
+ "rand",
+ "rand_chacha",
+]
+
+[[package]]
+name = "cfg-if"
+version = "1.0.0"
+source = "registry+https://github.com/rust-lang/crates.io-index"
+checksum = "baf1de4339761588bc0619e3cbc0120ee582ebb74b53b4efbf79117bd2da40fd"
+
+[[package]]
+name = "constant_time_eq"
+version = "0.3.0"
+source = "registry+https://github.com/rust-lang/crates.io-index"
+checksum = "f7144d30dcf0fafbce74250a3963025d8d52177934239851c917d29f1df280c2"
+
 [[package]]
 name = "fast-float"
 version = "0.2.0"
 source = "registry+https://github.com/rust-lang/crates.io-index"
 checksum = "95765f67b4b18863968b4a1bd5bb576f732b29a4a28c7cd84c09fa3e2875f33c"
 
+[[package]]
+name = "getrandom"
+version = "0.2.10"
+source = "registry+https://github.com/rust-lang/crates.io-index"
+checksum = "be4136b2a15dd319360be1c07d9933517ccf0be8f16bf62a3bee4f0d618df427"
+dependencies = [
+ "cfg-if",
+ "libc",
+ "wasi",
+]
+
 [[package]]
 name = "gmp-mpfr-sys"
 version = "1.4.10"
@@ -20,9 +52,9 @@ dependencies = [
 
 [[package]]
 name = "libc"
-version = "0.2.135"
+version = "0.2.150"
 source = "registry+https://github.com/rust-lang/crates.io-index"
-checksum = "68783febc7782c6c5cb401fbda4de5a9898be1762314da0bb2c10ced61f18b0c"
+checksum = "89d92a4743f9a61002fae18374ed11e7973f530cb3a3255fb354818118b2203c"
 
 [[package]]
 name = "memchr"
@@ -91,6 +123,42 @@ dependencies = [
  "narcissus-core",
 ]
 
+[[package]]
+name = "ppv-lite86"
+version = "0.2.17"
+source = "registry+https://github.com/rust-lang/crates.io-index"
+checksum = "5b40af805b3121feab8a3c29f04d8ad262fa8e0561883e7653e024ae4479e6de"
+
+[[package]]
+name = "rand"
+version = "0.8.5"
+source = "registry+https://github.com/rust-lang/crates.io-index"
+checksum = "34af8d1a0e25924bc5b7c43c079c942339d8f0a8b57c39049bef581b46327404"
+dependencies = [
+ "libc",
+ "rand_chacha",
+ "rand_core",
+]
+
+[[package]]
+name = "rand_chacha"
+version = "0.3.1"
+source = "registry+https://github.com/rust-lang/crates.io-index"
+checksum = "e6c10a63a0fa32252be49d21e7709d4d4baf8d231c2dbce1eaa8141b9b127d88"
+dependencies = [
+ "ppv-lite86",
+ "rand_core",
+]
+
+[[package]]
+name = "rand_core"
+version = "0.6.4"
+source = "registry+https://github.com/rust-lang/crates.io-index"
+checksum = "ec0be4795e2f6a28069bec0b5ff3e2ac9bafc99e6a9a7dc3547996c5c816922c"
+dependencies = [
+ "getrandom",
+]
+
 [[package]]
 name = "renderdoc-sys"
 version = "0.1.0"
@@ -133,6 +201,12 @@ version = "0.1.0"
 name = "vulkan-sys"
 version = "0.1.0"
 
+[[package]]
+name = "wasi"
+version = "0.11.0+wasi-snapshot-preview1"
+source = "registry+https://github.com/rust-lang/crates.io-index"
+checksum = "9c8d87e72b64a3b4db28d11ce29237c246188f4f51057d65a7eab63b7987e423"
+
 [[package]]
 name = "winapi"
 version = "0.3.9"
index 62233d14ca4e112646718efbd995087f95dda475..3eb3e36f46ba3d2093c0727266d6c02a915154b3 100644 (file)
@@ -2,6 +2,7 @@
 
 members = [
     "title/shark",
+    "ext/blake3-smol",
     "ext/renderdoc-sys",
     "ext/sdl2-sys",
     "ext/sqlite-sys",
diff --git a/ext/blake3-smol/Cargo.toml b/ext/blake3-smol/Cargo.toml
new file mode 100644 (file)
index 0000000..acde81f
--- /dev/null
@@ -0,0 +1,13 @@
+[package]
+name = "blake3-smol"
+version = "0.1.0"
+edition = "2021"
+
+# See more keys and their definitions at https://doc.rust-lang.org/cargo/reference/manifest.html
+
+[dependencies]
+constant_time_eq = "0.3.0"
+
+[dev-dependencies]
+rand = "0.8.0"
+rand_chacha = "0.3.0"
\ No newline at end of file
diff --git a/ext/blake3-smol/LICENSE b/ext/blake3-smol/LICENSE
new file mode 100644 (file)
index 0000000..f5892ef
--- /dev/null
@@ -0,0 +1,330 @@
+This work is released into the public domain with CC0 1.0. Alternatively, it is
+licensed under the Apache License 2.0.
+
+-------------------------------------------------------------------------------
+
+Creative Commons Legal Code
+
+CC0 1.0 Universal
+
+    CREATIVE COMMONS CORPORATION IS NOT A LAW FIRM AND DOES NOT PROVIDE
+    LEGAL SERVICES. DISTRIBUTION OF THIS DOCUMENT DOES NOT CREATE AN
+    ATTORNEY-CLIENT RELATIONSHIP. CREATIVE COMMONS PROVIDES THIS
+    INFORMATION ON AN "AS-IS" BASIS. CREATIVE COMMONS MAKES NO WARRANTIES
+    REGARDING THE USE OF THIS DOCUMENT OR THE INFORMATION OR WORKS
+    PROVIDED HEREUNDER, AND DISCLAIMS LIABILITY FOR DAMAGES RESULTING FROM
+    THE USE OF THIS DOCUMENT OR THE INFORMATION OR WORKS PROVIDED
+    HEREUNDER.
+
+Statement of Purpose
+
+The laws of most jurisdictions throughout the world automatically confer
+exclusive Copyright and Related Rights (defined below) upon the creator
+and subsequent owner(s) (each and all, an "owner") of an original work of
+authorship and/or a database (each, a "Work").
+
+Certain owners wish to permanently relinquish those rights to a Work for
+the purpose of contributing to a commons of creative, cultural and
+scientific works ("Commons") that the public can reliably and without fear
+of later claims of infringement build upon, modify, incorporate in other
+works, reuse and redistribute as freely as possible in any form whatsoever
+and for any purposes, including without limitation commercial purposes.
+These owners may contribute to the Commons to promote the ideal of a free
+culture and the further production of creative, cultural and scientific
+works, or to gain reputation or greater distribution for their Work in
+part through the use and efforts of others.
+
+For these and/or other purposes and motivations, and without any
+expectation of additional consideration or compensation, the person
+associating CC0 with a Work (the "Affirmer"), to the extent that he or she
+is an owner of Copyright and Related Rights in the Work, voluntarily
+elects to apply CC0 to the Work and publicly distribute the Work under its
+terms, with knowledge of his or her Copyright and Related Rights in the
+Work and the meaning and intended legal effect of CC0 on those rights.
+
+1. Copyright and Related Rights. A Work made available under CC0 may be
+protected by copyright and related or neighboring rights ("Copyright and
+Related Rights"). Copyright and Related Rights include, but are not
+limited to, the following:
+
+  i. the right to reproduce, adapt, distribute, perform, display,
+     communicate, and translate a Work;
+ ii. moral rights retained by the original author(s) and/or performer(s);
+iii. publicity and privacy rights pertaining to a person's image or
+     likeness depicted in a Work;
+ iv. rights protecting against unfair competition in regards to a Work,
+     subject to the limitations in paragraph 4(a), below;
+  v. rights protecting the extraction, dissemination, use and reuse of data
+     in a Work;
+ vi. database rights (such as those arising under Directive 96/9/EC of the
+     European Parliament and of the Council of 11 March 1996 on the legal
+     protection of databases, and under any national implementation
+     thereof, including any amended or successor version of such
+     directive); and
+vii. other similar, equivalent or corresponding rights throughout the
+     world based on applicable law or treaty, and any national
+     implementations thereof.
+
+2. Waiver. To the greatest extent permitted by, but not in contravention
+of, applicable law, Affirmer hereby overtly, fully, permanently,
+irrevocably and unconditionally waives, abandons, and surrenders all of
+Affirmer's Copyright and Related Rights and associated claims and causes
+of action, whether now known or unknown (including existing as well as
+future claims and causes of action), in the Work (i) in all territories
+worldwide, (ii) for the maximum duration provided by applicable law or
+treaty (including future time extensions), (iii) in any current or future
+medium and for any number of copies, and (iv) for any purpose whatsoever,
+including without limitation commercial, advertising or promotional
+purposes (the "Waiver"). Affirmer makes the Waiver for the benefit of each
+member of the public at large and to the detriment of Affirmer's heirs and
+successors, fully intending that such Waiver shall not be subject to
+revocation, rescission, cancellation, termination, or any other legal or
+equitable action to disrupt the quiet enjoyment of the Work by the public
+as contemplated by Affirmer's express Statement of Purpose.
+
+3. Public License Fallback. Should any part of the Waiver for any reason
+be judged legally invalid or ineffective under applicable law, then the
+Waiver shall be preserved to the maximum extent permitted taking into
+account Affirmer's express Statement of Purpose. In addition, to the
+extent the Waiver is so judged Affirmer hereby grants to each affected
+person a royalty-free, non transferable, non sublicensable, non exclusive,
+irrevocable and unconditional license to exercise Affirmer's Copyright and
+Related Rights in the Work (i) in all territories worldwide, (ii) for the
+maximum duration provided by applicable law or treaty (including future
+time extensions), (iii) in any current or future medium and for any number
+of copies, and (iv) for any purpose whatsoever, including without
+limitation commercial, advertising or promotional purposes (the
+"License"). The License shall be deemed effective as of the date CC0 was
+applied by Affirmer to the Work. Should any part of the License for any
+reason be judged legally invalid or ineffective under applicable law, such
+partial invalidity or ineffectiveness shall not invalidate the remainder
+of the License, and in such case Affirmer hereby affirms that he or she
+will not (i) exercise any of his or her remaining Copyright and Related
+Rights in the Work or (ii) assert any associated claims and causes of
+action with respect to the Work, in either case contrary to Affirmer's
+express Statement of Purpose.
+
+4. Limitations and Disclaimers.
+
+ a. No trademark or patent rights held by Affirmer are waived, abandoned,
+    surrendered, licensed or otherwise affected by this document.
+ b. Affirmer offers the Work as-is and makes no representations or
+    warranties of any kind concerning the Work, express, implied,
+    statutory or otherwise, including without limitation warranties of
+    title, merchantability, fitness for a particular purpose, non
+    infringement, or the absence of latent or other defects, accuracy, or
+    the present or absence of errors, whether or not discoverable, all to
+    the greatest extent permissible under applicable law.
+ c. Affirmer disclaims responsibility for clearing rights of other persons
+    that may apply to the Work or any use thereof, including without
+    limitation any person's Copyright and Related Rights in the Work.
+    Further, Affirmer disclaims responsibility for obtaining any necessary
+    consents, permissions or other rights required for any use of the
+    Work.
+ d. Affirmer understands and acknowledges that Creative Commons is not a
+    party to this document and has no duty or obligation with respect to
+    this CC0 or use of the Work.
+
+-------------------------------------------------------------------------------
+
+                                 Apache License
+                           Version 2.0, January 2004
+                        http://www.apache.org/licenses/
+
+   TERMS AND CONDITIONS FOR USE, REPRODUCTION, AND DISTRIBUTION
+
+   1. Definitions.
+
+      "License" shall mean the terms and conditions for use, reproduction,
+      and distribution as defined by Sections 1 through 9 of this document.
+
+      "Licensor" shall mean the copyright owner or entity authorized by
+      the copyright owner that is granting the License.
+
+      "Legal Entity" shall mean the union of the acting entity and all
+      other entities that control, are controlled by, or are under common
+      control with that entity. For the purposes of this definition,
+      "control" means (i) the power, direct or indirect, to cause the
+      direction or management of such entity, whether by contract or
+      otherwise, or (ii) ownership of fifty percent (50%) or more of the
+      outstanding shares, or (iii) beneficial ownership of such entity.
+
+      "You" (or "Your") shall mean an individual or Legal Entity
+      exercising permissions granted by this License.
+
+      "Source" form shall mean the preferred form for making modifications,
+      including but not limited to software source code, documentation
+      source, and configuration files.
+
+      "Object" form shall mean any form resulting from mechanical
+      transformation or translation of a Source form, including but
+      not limited to compiled object code, generated documentation,
+      and conversions to other media types.
+
+      "Work" shall mean the work of authorship, whether in Source or
+      Object form, made available under the License, as indicated by a
+      copyright notice that is included in or attached to the work
+      (an example is provided in the Appendix below).
+
+      "Derivative Works" shall mean any work, whether in Source or Object
+      form, that is based on (or derived from) the Work and for which the
+      editorial revisions, annotations, elaborations, or other modifications
+      represent, as a whole, an original work of authorship. For the purposes
+      of this License, Derivative Works shall not include works that remain
+      separable from, or merely link (or bind by name) to the interfaces of,
+      the Work and Derivative Works thereof.
+
+      "Contribution" shall mean any work of authorship, including
+      the original version of the Work and any modifications or additions
+      to that Work or Derivative Works thereof, that is intentionally
+      submitted to Licensor for inclusion in the Work by the copyright owner
+      or by an individual or Legal Entity authorized to submit on behalf of
+      the copyright owner. For the purposes of this definition, "submitted"
+      means any form of electronic, verbal, or written communication sent
+      to the Licensor or its representatives, including but not limited to
+      communication on electronic mailing lists, source code control systems,
+      and issue tracking systems that are managed by, or on behalf of, the
+      Licensor for the purpose of discussing and improving the Work, but
+      excluding communication that is conspicuously marked or otherwise
+      designated in writing by the copyright owner as "Not a Contribution."
+
+      "Contributor" shall mean Licensor and any individual or Legal Entity
+      on behalf of whom a Contribution has been received by Licensor and
+      subsequently incorporated within the Work.
+
+   2. Grant of Copyright License. Subject to the terms and conditions of
+      this License, each Contributor hereby grants to You a perpetual,
+      worldwide, non-exclusive, no-charge, royalty-free, irrevocable
+      copyright license to reproduce, prepare Derivative Works of,
+      publicly display, publicly perform, sublicense, and distribute the
+      Work and such Derivative Works in Source or Object form.
+
+   3. Grant of Patent License. Subject to the terms and conditions of
+      this License, each Contributor hereby grants to You a perpetual,
+      worldwide, non-exclusive, no-charge, royalty-free, irrevocable
+      (except as stated in this section) patent license to make, have made,
+      use, offer to sell, sell, import, and otherwise transfer the Work,
+      where such license applies only to those patent claims licensable
+      by such Contributor that are necessarily infringed by their
+      Contribution(s) alone or by combination of their Contribution(s)
+      with the Work to which such Contribution(s) was submitted. If You
+      institute patent litigation against any entity (including a
+      cross-claim or counterclaim in a lawsuit) alleging that the Work
+      or a Contribution incorporated within the Work constitutes direct
+      or contributory patent infringement, then any patent licenses
+      granted to You under this License for that Work shall terminate
+      as of the date such litigation is filed.
+
+   4. Redistribution. You may reproduce and distribute copies of the
+      Work or Derivative Works thereof in any medium, with or without
+      modifications, and in Source or Object form, provided that You
+      meet the following conditions:
+
+      (a) You must give any other recipients of the Work or
+          Derivative Works a copy of this License; and
+
+      (b) You must cause any modified files to carry prominent notices
+          stating that You changed the files; and
+
+      (c) You must retain, in the Source form of any Derivative Works
+          that You distribute, all copyright, patent, trademark, and
+          attribution notices from the Source form of the Work,
+          excluding those notices that do not pertain to any part of
+          the Derivative Works; and
+
+      (d) If the Work includes a "NOTICE" text file as part of its
+          distribution, then any Derivative Works that You distribute must
+          include a readable copy of the attribution notices contained
+          within such NOTICE file, excluding those notices that do not
+          pertain to any part of the Derivative Works, in at least one
+          of the following places: within a NOTICE text file distributed
+          as part of the Derivative Works; within the Source form or
+          documentation, if provided along with the Derivative Works; or,
+          within a display generated by the Derivative Works, if and
+          wherever such third-party notices normally appear. The contents
+          of the NOTICE file are for informational purposes only and
+          do not modify the License. You may add Your own attribution
+          notices within Derivative Works that You distribute, alongside
+          or as an addendum to the NOTICE text from the Work, provided
+          that such additional attribution notices cannot be construed
+          as modifying the License.
+
+      You may add Your own copyright statement to Your modifications and
+      may provide additional or different license terms and conditions
+      for use, reproduction, or distribution of Your modifications, or
+      for any such Derivative Works as a whole, provided Your use,
+      reproduction, and distribution of the Work otherwise complies with
+      the conditions stated in this License.
+
+   5. Submission of Contributions. Unless You explicitly state otherwise,
+      any Contribution intentionally submitted for inclusion in the Work
+      by You to the Licensor shall be under the terms and conditions of
+      this License, without any additional terms or conditions.
+      Notwithstanding the above, nothing herein shall supersede or modify
+      the terms of any separate license agreement you may have executed
+      with Licensor regarding such Contributions.
+
+   6. Trademarks. This License does not grant permission to use the trade
+      names, trademarks, service marks, or product names of the Licensor,
+      except as required for reasonable and customary use in describing the
+      origin of the Work and reproducing the content of the NOTICE file.
+
+   7. Disclaimer of Warranty. Unless required by applicable law or
+      agreed to in writing, Licensor provides the Work (and each
+      Contributor provides its Contributions) on an "AS IS" BASIS,
+      WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or
+      implied, including, without limitation, any warranties or conditions
+      of TITLE, NON-INFRINGEMENT, MERCHANTABILITY, or FITNESS FOR A
+      PARTICULAR PURPOSE. You are solely responsible for determining the
+      appropriateness of using or redistributing the Work and assume any
+      risks associated with Your exercise of permissions under this License.
+
+   8. Limitation of Liability. In no event and under no legal theory,
+      whether in tort (including negligence), contract, or otherwise,
+      unless required by applicable law (such as deliberate and grossly
+      negligent acts) or agreed to in writing, shall any Contributor be
+      liable to You for damages, including any direct, indirect, special,
+      incidental, or consequential damages of any character arising as a
+      result of this License or out of the use or inability to use the
+      Work (including but not limited to damages for loss of goodwill,
+      work stoppage, computer failure or malfunction, or any and all
+      other commercial damages or losses), even if such Contributor
+      has been advised of the possibility of such damages.
+
+   9. Accepting Warranty or Additional Liability. While redistributing
+      the Work or Derivative Works thereof, You may choose to offer,
+      and charge a fee for, acceptance of support, warranty, indemnity,
+      or other liability obligations and/or rights consistent with this
+      License. However, in accepting such obligations, You may act only
+      on Your own behalf and on Your sole responsibility, not on behalf
+      of any other Contributor, and only if You agree to indemnify,
+      defend, and hold each Contributor harmless for any liability
+      incurred by, or claims asserted against, such Contributor by reason
+      of your accepting any such warranty or additional liability.
+
+   END OF TERMS AND CONDITIONS
+
+   APPENDIX: How to apply the Apache License to your work.
+
+      To apply the Apache License to your work, attach the following
+      boilerplate notice, with the fields enclosed by brackets "[]"
+      replaced with your own identifying information. (Don't include
+      the brackets!)  The text should be enclosed in the appropriate
+      comment syntax for the file format. We also recommend that a
+      file or class name and description of purpose be included on the
+      same "printed page" as the copyright notice for easier
+      identification within third-party archives.
+
+   Copyright 2019 Jack O'Connor and Samuel Neves
+
+   Licensed under the Apache License, Version 2.0 (the "License");
+   you may not use this file except in compliance with the License.
+   You may obtain a copy of the License at
+
+       http://www.apache.org/licenses/LICENSE-2.0
+
+   Unless required by applicable law or agreed to in writing, software
+   distributed under the License is distributed on an "AS IS" BASIS,
+   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
+   See the License for the specific language governing permissions and
+   limitations under the License.
diff --git a/ext/blake3-smol/README.md b/ext/blake3-smol/README.md
new file mode 100644 (file)
index 0000000..3edff77
--- /dev/null
@@ -0,0 +1,4 @@
+A Smol BLAKE3
+===
+
+**Please don't use this**, use the real upstream BLAKE3 instead. https://github.com/BLAKE3-team/BLAKE3
\ No newline at end of file
diff --git a/ext/blake3-smol/src/asm/blake3_avx2_x86-64_unix.S b/ext/blake3-smol/src/asm/blake3_avx2_x86-64_unix.S
new file mode 100644 (file)
index 0000000..48ea374
--- /dev/null
@@ -0,0 +1,1808 @@
+# 0 "src/asm/blake3_avx2_x86-64_unix.S"
+# 0 "<built-in>"
+# 0 "<command-line>"
+# 1 "/usr/include/stdc-predef.h" 1 3 4
+# 0 "<command-line>" 2
+# 1 "src/asm/blake3_avx2_x86-64_unix.S"
+
+.section .note.GNU-stack,"",%progbits
+# 15 "src/asm/blake3_avx2_x86-64_unix.S"
+.global _blake3_hash_many_avx2
+.global blake3_hash_many_avx2
+
+
+
+.section .text
+
+        .p2align 6
+_blake3_hash_many_avx2:
+blake3_hash_many_avx2:
+       
+        push r15
+        push r14
+        push r13
+        push r12
+        push rbx
+        push rbp
+        mov rbp, rsp
+        sub rsp, 680
+        and rsp, 0xFFFFFFFFFFFFFFC0
+        neg r9d
+        vmovd xmm0, r9d
+        vpbroadcastd ymm0, xmm0
+        vmovdqa ymmword ptr [rsp+0x280], ymm0
+        vpand ymm1, ymm0, ymmword ptr [200f+rip]
+        vpand ymm2, ymm0, ymmword ptr [201f+rip]
+        vmovdqa ymmword ptr [rsp+0x220], ymm2
+        vmovd xmm2, r8d
+        vpbroadcastd ymm2, xmm2
+        vpaddd ymm2, ymm2, ymm1
+        vmovdqa ymmword ptr [rsp+0x240], ymm2
+        vpxor ymm1, ymm1, ymmword ptr [209f+rip]
+        vpxor ymm2, ymm2, ymmword ptr [209f+rip]
+        vpcmpgtd ymm2, ymm1, ymm2
+        shr r8, 32
+        vmovd xmm3, r8d
+        vpbroadcastd ymm3, xmm3
+        vpsubd ymm3, ymm3, ymm2
+        vmovdqa ymmword ptr [rsp+0x260], ymm3
+        shl rdx, 6
+        mov qword ptr [rsp+0x2A0], rdx
+        cmp rsi, 8
+        jc 3f
+2:
+        vpbroadcastd ymm0, dword ptr [rcx]
+        vpbroadcastd ymm1, dword ptr [rcx+0x4]
+        vpbroadcastd ymm2, dword ptr [rcx+0x8]
+        vpbroadcastd ymm3, dword ptr [rcx+0xC]
+        vpbroadcastd ymm4, dword ptr [rcx+0x10]
+        vpbroadcastd ymm5, dword ptr [rcx+0x14]
+        vpbroadcastd ymm6, dword ptr [rcx+0x18]
+        vpbroadcastd ymm7, dword ptr [rcx+0x1C]
+        mov r8, qword ptr [rdi]
+        mov r9, qword ptr [rdi+0x8]
+        mov r10, qword ptr [rdi+0x10]
+        mov r11, qword ptr [rdi+0x18]
+        mov r12, qword ptr [rdi+0x20]
+        mov r13, qword ptr [rdi+0x28]
+        mov r14, qword ptr [rdi+0x30]
+        mov r15, qword ptr [rdi+0x38]
+        movzx eax, byte ptr [rbp+0x38]
+        movzx ebx, byte ptr [rbp+0x40]
+        or eax, ebx
+        xor edx, edx
+.p2align 5
+9:
+        movzx ebx, byte ptr [rbp+0x48]
+        or ebx, eax
+        add rdx, 64
+        cmp rdx, qword ptr [rsp+0x2A0]
+        cmove eax, ebx
+        mov dword ptr [rsp+0x200], eax
+        vmovups xmm8, xmmword ptr [r8+rdx-0x40]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x40], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x40]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x40], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x40]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x40], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x40]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x40], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm8, ymm12, ymm14, 136
+        vmovaps ymmword ptr [rsp], ymm8
+        vshufps ymm9, ymm12, ymm14, 221
+        vmovaps ymmword ptr [rsp+0x20], ymm9
+        vshufps ymm10, ymm13, ymm15, 136
+        vmovaps ymmword ptr [rsp+0x40], ymm10
+        vshufps ymm11, ymm13, ymm15, 221
+        vmovaps ymmword ptr [rsp+0x60], ymm11
+        vmovups xmm8, xmmword ptr [r8+rdx-0x30]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x30], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x30]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x30], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x30]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x30], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x30]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x30], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm8, ymm12, ymm14, 136
+        vmovaps ymmword ptr [rsp+0x80], ymm8
+        vshufps ymm9, ymm12, ymm14, 221
+        vmovaps ymmword ptr [rsp+0xA0], ymm9
+        vshufps ymm10, ymm13, ymm15, 136
+        vmovaps ymmword ptr [rsp+0xC0], ymm10
+        vshufps ymm11, ymm13, ymm15, 221
+        vmovaps ymmword ptr [rsp+0xE0], ymm11
+        vmovups xmm8, xmmword ptr [r8+rdx-0x20]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x20], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x20]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x20], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x20]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x20], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x20]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x20], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm8, ymm12, ymm14, 136
+        vmovaps ymmword ptr [rsp+0x100], ymm8
+        vshufps ymm9, ymm12, ymm14, 221
+        vmovaps ymmword ptr [rsp+0x120], ymm9
+        vshufps ymm10, ymm13, ymm15, 136
+        vmovaps ymmword ptr [rsp+0x140], ymm10
+        vshufps ymm11, ymm13, ymm15, 221
+        vmovaps ymmword ptr [rsp+0x160], ymm11
+        vmovups xmm8, xmmword ptr [r8+rdx-0x10]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x10], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x10]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x10], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x10]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x10], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x10]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x10], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm8, ymm12, ymm14, 136
+        vmovaps ymmword ptr [rsp+0x180], ymm8
+        vshufps ymm9, ymm12, ymm14, 221
+        vmovaps ymmword ptr [rsp+0x1A0], ymm9
+        vshufps ymm10, ymm13, ymm15, 136
+        vmovaps ymmword ptr [rsp+0x1C0], ymm10
+        vshufps ymm11, ymm13, ymm15, 221
+        vmovaps ymmword ptr [rsp+0x1E0], ymm11
+        vpbroadcastd ymm15, dword ptr [rsp+0x200]
+        prefetcht0 [r8+rdx+0x80]
+        prefetcht0 [r12+rdx+0x80]
+        prefetcht0 [r9+rdx+0x80]
+        prefetcht0 [r13+rdx+0x80]
+        prefetcht0 [r10+rdx+0x80]
+        prefetcht0 [r14+rdx+0x80]
+        prefetcht0 [r11+rdx+0x80]
+        prefetcht0 [r15+rdx+0x80]
+        vpaddd ymm0, ymm0, ymmword ptr [rsp]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x40]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x80]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0xC0]
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxor ymm12, ymm0, ymmword ptr [rsp+0x240]
+        vpxor ymm13, ymm1, ymmword ptr [rsp+0x260]
+        vpxor ymm14, ymm2, ymmword ptr [206f+rip]
+        vpxor ymm15, ymm3, ymm15
+        vbroadcasti128 ymm8, xmmword ptr [207f+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd ymm8, ymm12, ymmword ptr [202f+rip]
+        vpaddd ymm9, ymm13, ymmword ptr [203f+rip]
+        vpaddd ymm10, ymm14, ymmword ptr [204f+rip]
+        vpaddd ymm11, ymm15, ymmword ptr [205f+rip]
+        vpxor ymm4, ymm4, ymm8
+        vpxor ymm5, ymm5, ymm9
+        vpxor ymm6, ymm6, ymm10
+        vpxor ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm4, 12
+        vpslld ymm4, ymm4, 20
+        vpor ymm4, ymm4, ymm8
+        vpsrld ymm8, ymm5, 12
+        vpslld ymm5, ymm5, 20
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 12
+        vpslld ymm6, ymm6, 20
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 12
+        vpslld ymm7, ymm7, 20
+        vpor ymm7, ymm7, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x20]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x60]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0xA0]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0xE0]
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxor ymm12, ymm12, ymm0
+        vpxor ymm13, ymm13, ymm1
+        vpxor ymm14, ymm14, ymm2
+        vpxor ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [208f+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxor ymm4, ymm4, ymm8
+        vpxor ymm5, ymm5, ymm9
+        vpxor ymm6, ymm6, ymm10
+        vpxor ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm4, 7
+        vpslld ymm4, ymm4, 25
+        vpor ymm4, ymm4, ymm8
+        vpsrld ymm8, ymm5, 7
+        vpslld ymm5, ymm5, 25
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 7
+        vpslld ymm6, ymm6, 25
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 7
+        vpslld ymm7, ymm7, 25
+        vpor ymm7, ymm7, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x100]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x140]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x180]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x1C0]
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxor ymm15, ymm15, ymm0
+        vpxor ymm12, ymm12, ymm1
+        vpxor ymm13, ymm13, ymm2
+        vpxor ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [207f+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm14
+        vpxor ymm5, ymm5, ymm10
+        vpxor ymm6, ymm6, ymm11
+        vpxor ymm7, ymm7, ymm8
+        vpxor ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm5, 12
+        vpslld ymm5, ymm5, 20
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 12
+        vpslld ymm6, ymm6, 20
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 12
+        vpslld ymm7, ymm7, 20
+        vpor ymm7, ymm7, ymm8
+        vpsrld ymm8, ymm4, 12
+        vpslld ymm4, ymm4, 20
+        vpor ymm4, ymm4, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x120]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x160]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x1A0]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x1E0]
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxor ymm15, ymm15, ymm0
+        vpxor ymm12, ymm12, ymm1
+        vpxor ymm13, ymm13, ymm2
+        vpxor ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [208f+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm14
+        vpxor ymm5, ymm5, ymm10
+        vpxor ymm6, ymm6, ymm11
+        vpxor ymm7, ymm7, ymm8
+        vpxor ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm5, 7
+        vpslld ymm5, ymm5, 25
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 7
+        vpslld ymm6, ymm6, 25
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 7
+        vpslld ymm7, ymm7, 25
+        vpor ymm7, ymm7, ymm8
+        vpsrld ymm8, ymm4, 7
+        vpslld ymm4, ymm4, 25
+        vpor ymm4, ymm4, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x40]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x60]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0xE0]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x80]
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxor ymm12, ymm12, ymm0
+        vpxor ymm13, ymm13, ymm1
+        vpxor ymm14, ymm14, ymm2
+        vpxor ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [207f+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxor ymm4, ymm4, ymm8
+        vpxor ymm5, ymm5, ymm9
+        vpxor ymm6, ymm6, ymm10
+        vpxor ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm4, 12
+        vpslld ymm4, ymm4, 20
+        vpor ymm4, ymm4, ymm8
+        vpsrld ymm8, ymm5, 12
+        vpslld ymm5, ymm5, 20
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 12
+        vpslld ymm6, ymm6, 20
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 12
+        vpslld ymm7, ymm7, 20
+        vpor ymm7, ymm7, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0xC0]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x140]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x1A0]
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxor ymm12, ymm12, ymm0
+        vpxor ymm13, ymm13, ymm1
+        vpxor ymm14, ymm14, ymm2
+        vpxor ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [208f+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxor ymm4, ymm4, ymm8
+        vpxor ymm5, ymm5, ymm9
+        vpxor ymm6, ymm6, ymm10
+        vpxor ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm4, 7
+        vpslld ymm4, ymm4, 25
+        vpor ymm4, ymm4, ymm8
+        vpsrld ymm8, ymm5, 7
+        vpslld ymm5, ymm5, 25
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 7
+        vpslld ymm6, ymm6, 25
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 7
+        vpslld ymm7, ymm7, 25
+        vpor ymm7, ymm7, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x20]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x180]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x120]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x1E0]
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxor ymm15, ymm15, ymm0
+        vpxor ymm12, ymm12, ymm1
+        vpxor ymm13, ymm13, ymm2
+        vpxor ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [207f+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm14
+        vpxor ymm5, ymm5, ymm10
+        vpxor ymm6, ymm6, ymm11
+        vpxor ymm7, ymm7, ymm8
+        vpxor ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm5, 12
+        vpslld ymm5, ymm5, 20
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 12
+        vpslld ymm6, ymm6, 20
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 12
+        vpslld ymm7, ymm7, 20
+        vpor ymm7, ymm7, ymm8
+        vpsrld ymm8, ymm4, 12
+        vpslld ymm4, ymm4, 20
+        vpor ymm4, ymm4, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x160]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0xA0]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x1C0]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x100]
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxor ymm15, ymm15, ymm0
+        vpxor ymm12, ymm12, ymm1
+        vpxor ymm13, ymm13, ymm2
+        vpxor ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [208f+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm14
+        vpxor ymm5, ymm5, ymm10
+        vpxor ymm6, ymm6, ymm11
+        vpxor ymm7, ymm7, ymm8
+        vpxor ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm5, 7
+        vpslld ymm5, ymm5, 25
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 7
+        vpslld ymm6, ymm6, 25
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 7
+        vpslld ymm7, ymm7, 25
+        vpor ymm7, ymm7, ymm8
+        vpsrld ymm8, ymm4, 7
+        vpslld ymm4, ymm4, 25
+        vpor ymm4, ymm4, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x60]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x140]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x1A0]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0xE0]
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxor ymm12, ymm12, ymm0
+        vpxor ymm13, ymm13, ymm1
+        vpxor ymm14, ymm14, ymm2
+        vpxor ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [207f+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxor ymm4, ymm4, ymm8
+        vpxor ymm5, ymm5, ymm9
+        vpxor ymm6, ymm6, ymm10
+        vpxor ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm4, 12
+        vpslld ymm4, ymm4, 20
+        vpor ymm4, ymm4, ymm8
+        vpsrld ymm8, ymm5, 12
+        vpslld ymm5, ymm5, 20
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 12
+        vpslld ymm6, ymm6, 20
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 12
+        vpslld ymm7, ymm7, 20
+        vpor ymm7, ymm7, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x80]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x180]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x40]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x1C0]
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxor ymm12, ymm12, ymm0
+        vpxor ymm13, ymm13, ymm1
+        vpxor ymm14, ymm14, ymm2
+        vpxor ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [208f+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxor ymm4, ymm4, ymm8
+        vpxor ymm5, ymm5, ymm9
+        vpxor ymm6, ymm6, ymm10
+        vpxor ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm4, 7
+        vpslld ymm4, ymm4, 25
+        vpor ymm4, ymm4, ymm8
+        vpsrld ymm8, ymm5, 7
+        vpslld ymm5, ymm5, 25
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 7
+        vpslld ymm6, ymm6, 25
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 7
+        vpslld ymm7, ymm7, 25
+        vpor ymm7, ymm7, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0xC0]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x120]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x160]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x100]
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxor ymm15, ymm15, ymm0
+        vpxor ymm12, ymm12, ymm1
+        vpxor ymm13, ymm13, ymm2
+        vpxor ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [207f+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm14
+        vpxor ymm5, ymm5, ymm10
+        vpxor ymm6, ymm6, ymm11
+        vpxor ymm7, ymm7, ymm8
+        vpxor ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm5, 12
+        vpslld ymm5, ymm5, 20
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 12
+        vpslld ymm6, ymm6, 20
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 12
+        vpslld ymm7, ymm7, 20
+        vpor ymm7, ymm7, ymm8
+        vpsrld ymm8, ymm4, 12
+        vpslld ymm4, ymm4, 20
+        vpor ymm4, ymm4, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0xA0]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x1E0]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x20]
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxor ymm15, ymm15, ymm0
+        vpxor ymm12, ymm12, ymm1
+        vpxor ymm13, ymm13, ymm2
+        vpxor ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [208f+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm14
+        vpxor ymm5, ymm5, ymm10
+        vpxor ymm6, ymm6, ymm11
+        vpxor ymm7, ymm7, ymm8
+        vpxor ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm5, 7
+        vpslld ymm5, ymm5, 25
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 7
+        vpslld ymm6, ymm6, 25
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 7
+        vpslld ymm7, ymm7, 25
+        vpor ymm7, ymm7, ymm8
+        vpsrld ymm8, ymm4, 7
+        vpslld ymm4, ymm4, 25
+        vpor ymm4, ymm4, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x140]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x180]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x1C0]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x1A0]
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxor ymm12, ymm12, ymm0
+        vpxor ymm13, ymm13, ymm1
+        vpxor ymm14, ymm14, ymm2
+        vpxor ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [207f+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxor ymm4, ymm4, ymm8
+        vpxor ymm5, ymm5, ymm9
+        vpxor ymm6, ymm6, ymm10
+        vpxor ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm4, 12
+        vpslld ymm4, ymm4, 20
+        vpor ymm4, ymm4, ymm8
+        vpsrld ymm8, ymm5, 12
+        vpslld ymm5, ymm5, 20
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 12
+        vpslld ymm6, ymm6, 20
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 12
+        vpslld ymm7, ymm7, 20
+        vpor ymm7, ymm7, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0xE0]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x120]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x60]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x1E0]
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxor ymm12, ymm12, ymm0
+        vpxor ymm13, ymm13, ymm1
+        vpxor ymm14, ymm14, ymm2
+        vpxor ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [208f+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxor ymm4, ymm4, ymm8
+        vpxor ymm5, ymm5, ymm9
+        vpxor ymm6, ymm6, ymm10
+        vpxor ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm4, 7
+        vpslld ymm4, ymm4, 25
+        vpor ymm4, ymm4, ymm8
+        vpsrld ymm8, ymm5, 7
+        vpslld ymm5, ymm5, 25
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 7
+        vpslld ymm6, ymm6, 25
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 7
+        vpslld ymm7, ymm7, 25
+        vpor ymm7, ymm7, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x80]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x160]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0xA0]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x20]
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxor ymm15, ymm15, ymm0
+        vpxor ymm12, ymm12, ymm1
+        vpxor ymm13, ymm13, ymm2
+        vpxor ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [207f+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm14
+        vpxor ymm5, ymm5, ymm10
+        vpxor ymm6, ymm6, ymm11
+        vpxor ymm7, ymm7, ymm8
+        vpxor ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm5, 12
+        vpslld ymm5, ymm5, 20
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 12
+        vpslld ymm6, ymm6, 20
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 12
+        vpslld ymm7, ymm7, 20
+        vpor ymm7, ymm7, ymm8
+        vpsrld ymm8, ymm4, 12
+        vpslld ymm4, ymm4, 20
+        vpor ymm4, ymm4, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x40]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x100]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0xC0]
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxor ymm15, ymm15, ymm0
+        vpxor ymm12, ymm12, ymm1
+        vpxor ymm13, ymm13, ymm2
+        vpxor ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [208f+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm14
+        vpxor ymm5, ymm5, ymm10
+        vpxor ymm6, ymm6, ymm11
+        vpxor ymm7, ymm7, ymm8
+        vpxor ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm5, 7
+        vpslld ymm5, ymm5, 25
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 7
+        vpslld ymm6, ymm6, 25
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 7
+        vpslld ymm7, ymm7, 25
+        vpor ymm7, ymm7, ymm8
+        vpsrld ymm8, ymm4, 7
+        vpslld ymm4, ymm4, 25
+        vpor ymm4, ymm4, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x180]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x120]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x1E0]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x1C0]
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxor ymm12, ymm12, ymm0
+        vpxor ymm13, ymm13, ymm1
+        vpxor ymm14, ymm14, ymm2
+        vpxor ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [207f+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxor ymm4, ymm4, ymm8
+        vpxor ymm5, ymm5, ymm9
+        vpxor ymm6, ymm6, ymm10
+        vpxor ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm4, 12
+        vpslld ymm4, ymm4, 20
+        vpor ymm4, ymm4, ymm8
+        vpsrld ymm8, ymm5, 12
+        vpslld ymm5, ymm5, 20
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 12
+        vpslld ymm6, ymm6, 20
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 12
+        vpslld ymm7, ymm7, 20
+        vpor ymm7, ymm7, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x1A0]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x160]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x140]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x100]
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxor ymm12, ymm12, ymm0
+        vpxor ymm13, ymm13, ymm1
+        vpxor ymm14, ymm14, ymm2
+        vpxor ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [208f+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxor ymm4, ymm4, ymm8
+        vpxor ymm5, ymm5, ymm9
+        vpxor ymm6, ymm6, ymm10
+        vpxor ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm4, 7
+        vpslld ymm4, ymm4, 25
+        vpor ymm4, ymm4, ymm8
+        vpsrld ymm8, ymm5, 7
+        vpslld ymm5, ymm5, 25
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 7
+        vpslld ymm6, ymm6, 25
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 7
+        vpslld ymm7, ymm7, 25
+        vpor ymm7, ymm7, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0xE0]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0xA0]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0xC0]
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxor ymm15, ymm15, ymm0
+        vpxor ymm12, ymm12, ymm1
+        vpxor ymm13, ymm13, ymm2
+        vpxor ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [207f+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm14
+        vpxor ymm5, ymm5, ymm10
+        vpxor ymm6, ymm6, ymm11
+        vpxor ymm7, ymm7, ymm8
+        vpxor ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm5, 12
+        vpslld ymm5, ymm5, 20
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 12
+        vpslld ymm6, ymm6, 20
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 12
+        vpslld ymm7, ymm7, 20
+        vpor ymm7, ymm7, ymm8
+        vpsrld ymm8, ymm4, 12
+        vpslld ymm4, ymm4, 20
+        vpor ymm4, ymm4, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x40]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x60]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x20]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x80]
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxor ymm15, ymm15, ymm0
+        vpxor ymm12, ymm12, ymm1
+        vpxor ymm13, ymm13, ymm2
+        vpxor ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [208f+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm14
+        vpxor ymm5, ymm5, ymm10
+        vpxor ymm6, ymm6, ymm11
+        vpxor ymm7, ymm7, ymm8
+        vpxor ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm5, 7
+        vpslld ymm5, ymm5, 25
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 7
+        vpslld ymm6, ymm6, 25
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 7
+        vpslld ymm7, ymm7, 25
+        vpor ymm7, ymm7, ymm8
+        vpsrld ymm8, ymm4, 7
+        vpslld ymm4, ymm4, 25
+        vpor ymm4, ymm4, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x120]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x160]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x100]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x1E0]
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxor ymm12, ymm12, ymm0
+        vpxor ymm13, ymm13, ymm1
+        vpxor ymm14, ymm14, ymm2
+        vpxor ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [207f+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxor ymm4, ymm4, ymm8
+        vpxor ymm5, ymm5, ymm9
+        vpxor ymm6, ymm6, ymm10
+        vpxor ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm4, 12
+        vpslld ymm4, ymm4, 20
+        vpor ymm4, ymm4, ymm8
+        vpsrld ymm8, ymm5, 12
+        vpslld ymm5, ymm5, 20
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 12
+        vpslld ymm6, ymm6, 20
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 12
+        vpslld ymm7, ymm7, 20
+        vpor ymm7, ymm7, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x1C0]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0xA0]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x180]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x20]
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxor ymm12, ymm12, ymm0
+        vpxor ymm13, ymm13, ymm1
+        vpxor ymm14, ymm14, ymm2
+        vpxor ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [208f+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxor ymm4, ymm4, ymm8
+        vpxor ymm5, ymm5, ymm9
+        vpxor ymm6, ymm6, ymm10
+        vpxor ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm4, 7
+        vpslld ymm4, ymm4, 25
+        vpor ymm4, ymm4, ymm8
+        vpsrld ymm8, ymm5, 7
+        vpslld ymm5, ymm5, 25
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 7
+        vpslld ymm6, ymm6, 25
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 7
+        vpslld ymm7, ymm7, 25
+        vpor ymm7, ymm7, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x1A0]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x40]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x80]
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxor ymm15, ymm15, ymm0
+        vpxor ymm12, ymm12, ymm1
+        vpxor ymm13, ymm13, ymm2
+        vpxor ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [207f+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm14
+        vpxor ymm5, ymm5, ymm10
+        vpxor ymm6, ymm6, ymm11
+        vpxor ymm7, ymm7, ymm8
+        vpxor ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm5, 12
+        vpslld ymm5, ymm5, 20
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 12
+        vpslld ymm6, ymm6, 20
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 12
+        vpslld ymm7, ymm7, 20
+        vpor ymm7, ymm7, ymm8
+        vpsrld ymm8, ymm4, 12
+        vpslld ymm4, ymm4, 20
+        vpor ymm4, ymm4, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x60]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x140]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0xC0]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0xE0]
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxor ymm15, ymm15, ymm0
+        vpxor ymm12, ymm12, ymm1
+        vpxor ymm13, ymm13, ymm2
+        vpxor ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [208f+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm14
+        vpxor ymm5, ymm5, ymm10
+        vpxor ymm6, ymm6, ymm11
+        vpxor ymm7, ymm7, ymm8
+        vpxor ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm5, 7
+        vpslld ymm5, ymm5, 25
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 7
+        vpslld ymm6, ymm6, 25
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 7
+        vpslld ymm7, ymm7, 25
+        vpor ymm7, ymm7, ymm8
+        vpsrld ymm8, ymm4, 7
+        vpslld ymm4, ymm4, 25
+        vpor ymm4, ymm4, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x160]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0xA0]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x20]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x100]
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxor ymm12, ymm12, ymm0
+        vpxor ymm13, ymm13, ymm1
+        vpxor ymm14, ymm14, ymm2
+        vpxor ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [207f+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxor ymm4, ymm4, ymm8
+        vpxor ymm5, ymm5, ymm9
+        vpxor ymm6, ymm6, ymm10
+        vpxor ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm4, 12
+        vpslld ymm4, ymm4, 20
+        vpor ymm4, ymm4, ymm8
+        vpsrld ymm8, ymm5, 12
+        vpslld ymm5, ymm5, 20
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 12
+        vpslld ymm6, ymm6, 20
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 12
+        vpslld ymm7, ymm7, 20
+        vpor ymm7, ymm7, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x1E0]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x120]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0xC0]
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxor ymm12, ymm12, ymm0
+        vpxor ymm13, ymm13, ymm1
+        vpxor ymm14, ymm14, ymm2
+        vpxor ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [208f+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxor ymm4, ymm4, ymm8
+        vpxor ymm5, ymm5, ymm9
+        vpxor ymm6, ymm6, ymm10
+        vpxor ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm4, 7
+        vpslld ymm4, ymm4, 25
+        vpor ymm4, ymm4, ymm8
+        vpsrld ymm8, ymm5, 7
+        vpslld ymm5, ymm5, 25
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 7
+        vpslld ymm6, ymm6, 25
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 7
+        vpslld ymm7, ymm7, 25
+        vpor ymm7, ymm7, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x1C0]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x40]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x60]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0xE0]
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxor ymm15, ymm15, ymm0
+        vpxor ymm12, ymm12, ymm1
+        vpxor ymm13, ymm13, ymm2
+        vpxor ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [207f+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm14
+        vpxor ymm5, ymm5, ymm10
+        vpxor ymm6, ymm6, ymm11
+        vpxor ymm7, ymm7, ymm8
+        vpxor ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld ymm8, ymm5, 12
+        vpslld ymm5, ymm5, 20
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 12
+        vpslld ymm6, ymm6, 20
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 12
+        vpslld ymm7, ymm7, 20
+        vpor ymm7, ymm7, ymm8
+        vpsrld ymm8, ymm4, 12
+        vpslld ymm4, ymm4, 20
+        vpor ymm4, ymm4, ymm8
+        vpaddd ymm0, ymm0, ymmword ptr [rsp+0x140]
+        vpaddd ymm1, ymm1, ymmword ptr [rsp+0x180]
+        vpaddd ymm2, ymm2, ymmword ptr [rsp+0x80]
+        vpaddd ymm3, ymm3, ymmword ptr [rsp+0x1A0]
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxor ymm15, ymm15, ymm0
+        vpxor ymm12, ymm12, ymm1
+        vpxor ymm13, ymm13, ymm2
+        vpxor ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [208f+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd ymm9, ymm9, ymm14
+        vpxor ymm5, ymm5, ymm10
+        vpxor ymm6, ymm6, ymm11
+        vpxor ymm7, ymm7, ymm8
+        vpxor ymm4, ymm4, ymm9
+        vpxor ymm0, ymm0, ymm8
+        vpxor ymm1, ymm1, ymm9
+        vpxor ymm2, ymm2, ymm10
+        vpxor ymm3, ymm3, ymm11
+        vpsrld ymm8, ymm5, 7
+        vpslld ymm5, ymm5, 25
+        vpor ymm5, ymm5, ymm8
+        vpsrld ymm8, ymm6, 7
+        vpslld ymm6, ymm6, 25
+        vpor ymm6, ymm6, ymm8
+        vpsrld ymm8, ymm7, 7
+        vpslld ymm7, ymm7, 25
+        vpor ymm7, ymm7, ymm8
+        vpsrld ymm8, ymm4, 7
+        vpslld ymm4, ymm4, 25
+        vpor ymm4, ymm4, ymm8
+        vpxor ymm4, ymm4, ymm12
+        vpxor ymm5, ymm5, ymm13
+        vpxor ymm6, ymm6, ymm14
+        vpxor ymm7, ymm7, ymm15
+        movzx eax, byte ptr [rbp+0x38]
+        jne 9b
+        mov rbx, qword ptr [rbp+0x50]
+        vunpcklps ymm8, ymm0, ymm1
+        vunpcklps ymm9, ymm2, ymm3
+        vunpckhps ymm10, ymm0, ymm1
+        vunpcklps ymm11, ymm4, ymm5
+        vunpcklps ymm0, ymm6, ymm7
+        vshufps ymm12, ymm8, ymm9, 78
+        vblendps ymm1, ymm8, ymm12, 0xCC
+        vshufps ymm8, ymm11, ymm0, 78
+        vunpckhps ymm13, ymm2, ymm3
+        vblendps ymm2, ymm11, ymm8, 0xCC
+        vblendps ymm3, ymm12, ymm9, 0xCC
+        vperm2f128 ymm12, ymm1, ymm2, 0x20
+        vmovups ymmword ptr [rbx], ymm12
+        vunpckhps ymm14, ymm4, ymm5
+        vblendps ymm4, ymm8, ymm0, 0xCC
+        vunpckhps ymm15, ymm6, ymm7
+        vperm2f128 ymm7, ymm3, ymm4, 0x20
+        vmovups ymmword ptr [rbx+0x20], ymm7
+        vshufps ymm5, ymm10, ymm13, 78
+        vblendps ymm6, ymm5, ymm13, 0xCC
+        vshufps ymm13, ymm14, ymm15, 78
+        vblendps ymm10, ymm10, ymm5, 0xCC
+        vblendps ymm14, ymm14, ymm13, 0xCC
+        vperm2f128 ymm8, ymm10, ymm14, 0x20
+        vmovups ymmword ptr [rbx+0x40], ymm8
+        vblendps ymm15, ymm13, ymm15, 0xCC
+        vperm2f128 ymm13, ymm6, ymm15, 0x20
+        vmovups ymmword ptr [rbx+0x60], ymm13
+        vperm2f128 ymm9, ymm1, ymm2, 0x31
+        vperm2f128 ymm11, ymm3, ymm4, 0x31
+        vmovups ymmword ptr [rbx+0x80], ymm9
+        vperm2f128 ymm14, ymm10, ymm14, 0x31
+        vperm2f128 ymm15, ymm6, ymm15, 0x31
+        vmovups ymmword ptr [rbx+0xA0], ymm11
+        vmovups ymmword ptr [rbx+0xC0], ymm14
+        vmovups ymmword ptr [rbx+0xE0], ymm15
+        vmovdqa ymm0, ymmword ptr [rsp+0x220]
+        vpaddd ymm1, ymm0, ymmword ptr [rsp+0x240]
+        vmovdqa ymmword ptr [rsp+0x240], ymm1
+        vpxor ymm0, ymm0, ymmword ptr [209f+rip]
+        vpxor ymm2, ymm1, ymmword ptr [209f+rip]
+        vpcmpgtd ymm2, ymm0, ymm2
+        vmovdqa ymm0, ymmword ptr [rsp+0x260]
+        vpsubd ymm2, ymm0, ymm2
+        vmovdqa ymmword ptr [rsp+0x260], ymm2
+        add rdi, 64
+        add rbx, 256
+        mov qword ptr [rbp+0x50], rbx
+        sub rsi, 8
+        cmp rsi, 8
+        jnc 2b
+        test rsi, rsi
+        jnz 3f
+4:
+        vzeroupper
+        mov rsp, rbp
+        pop rbp
+        pop rbx
+        pop r12
+        pop r13
+        pop r14
+        pop r15
+        ret
+.p2align 5
+3:
+        mov rbx, qword ptr [rbp+0x50]
+        mov r15, qword ptr [rsp+0x2A0]
+        movzx r13d, byte ptr [rbp+0x38]
+        movzx r12d, byte ptr [rbp+0x48]
+        test rsi, 0x4
+        je 3f
+        vbroadcasti128 ymm0, xmmword ptr [rcx]
+        vbroadcasti128 ymm1, xmmword ptr [rcx+0x10]
+        vmovdqa ymm8, ymm0
+        vmovdqa ymm9, ymm1
+        vbroadcasti128 ymm12, xmmword ptr [rsp+0x240]
+        vbroadcasti128 ymm13, xmmword ptr [rsp+0x260]
+        vpunpckldq ymm14, ymm12, ymm13
+        vpunpckhdq ymm15, ymm12, ymm13
+        vpermq ymm14, ymm14, 0x50
+        vpermq ymm15, ymm15, 0x50
+        vbroadcasti128 ymm12, xmmword ptr [206f+rip]
+        vpblendd ymm14, ymm14, ymm12, 0x44
+        vpblendd ymm15, ymm15, ymm12, 0x44
+        vmovdqa ymmword ptr [rsp], ymm14
+        vmovdqa ymmword ptr [rsp+0x20], ymm15
+        mov r8, qword ptr [rdi]
+        mov r9, qword ptr [rdi+0x8]
+        mov r10, qword ptr [rdi+0x10]
+        mov r11, qword ptr [rdi+0x18]
+        movzx eax, byte ptr [rbp+0x40]
+        or eax, r13d
+        xor edx, edx
+.p2align 5
+2:
+        mov r14d, eax
+        or eax, r12d
+        add rdx, 64
+        cmp rdx, r15
+        cmovne eax, r14d
+        mov dword ptr [rsp+0x200], eax
+        vmovups ymm2, ymmword ptr [r8+rdx-0x40]
+        vinsertf128 ymm2, ymm2, xmmword ptr [r9+rdx-0x40], 0x01
+        vmovups ymm3, ymmword ptr [r8+rdx-0x30]
+        vinsertf128 ymm3, ymm3, xmmword ptr [r9+rdx-0x30], 0x01
+        vshufps ymm4, ymm2, ymm3, 136
+        vshufps ymm5, ymm2, ymm3, 221
+        vmovups ymm2, ymmword ptr [r8+rdx-0x20]
+        vinsertf128 ymm2, ymm2, xmmword ptr [r9+rdx-0x20], 0x01
+        vmovups ymm3, ymmword ptr [r8+rdx-0x10]
+        vinsertf128 ymm3, ymm3, xmmword ptr [r9+rdx-0x10], 0x01
+        vshufps ymm6, ymm2, ymm3, 136
+        vshufps ymm7, ymm2, ymm3, 221
+        vpshufd ymm6, ymm6, 0x93
+        vpshufd ymm7, ymm7, 0x93
+        vmovups ymm10, ymmword ptr [r10+rdx-0x40]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r11+rdx-0x40], 0x01
+        vmovups ymm11, ymmword ptr [r10+rdx-0x30]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r11+rdx-0x30], 0x01
+        vshufps ymm12, ymm10, ymm11, 136
+        vshufps ymm13, ymm10, ymm11, 221
+        vmovups ymm10, ymmword ptr [r10+rdx-0x20]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r11+rdx-0x20], 0x01
+        vmovups ymm11, ymmword ptr [r10+rdx-0x10]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r11+rdx-0x10], 0x01
+        vshufps ymm14, ymm10, ymm11, 136
+        vshufps ymm15, ymm10, ymm11, 221
+        vpshufd ymm14, ymm14, 0x93
+        vpshufd ymm15, ymm15, 0x93
+        prefetcht0 [r8+rdx+0x80]
+        prefetcht0 [r9+rdx+0x80]
+        prefetcht0 [r10+rdx+0x80]
+        prefetcht0 [r11+rdx+0x80]
+        vpbroadcastd ymm2, dword ptr [rsp+0x200]
+        vmovdqa ymm3, ymmword ptr [rsp]
+        vmovdqa ymm11, ymmword ptr [rsp+0x20]
+        vpblendd ymm3, ymm3, ymm2, 0x88
+        vpblendd ymm11, ymm11, ymm2, 0x88
+        vbroadcasti128 ymm2, xmmword ptr [210f+rip]
+        vmovdqa ymm10, ymm2
+        mov al, 7
+9:
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm8, ymm8, ymm12
+        vmovdqa ymmword ptr [rsp+0x40], ymm4
+        nop
+        vmovdqa ymmword ptr [rsp+0x60], ymm12
+        nop
+        vpaddd ymm0, ymm0, ymm1
+        vpaddd ymm8, ymm8, ymm9
+        vpxor ymm3, ymm3, ymm0
+        vpxor ymm11, ymm11, ymm8
+        vbroadcasti128 ymm4, xmmword ptr [207f+rip]
+        vpshufb ymm3, ymm3, ymm4
+        vpshufb ymm11, ymm11, ymm4
+        vpaddd ymm2, ymm2, ymm3
+        vpaddd ymm10, ymm10, ymm11
+        vpxor ymm1, ymm1, ymm2
+        vpxor ymm9, ymm9, ymm10
+        vpsrld ymm4, ymm1, 12
+        vpslld ymm1, ymm1, 20
+        vpor ymm1, ymm1, ymm4
+        vpsrld ymm4, ymm9, 12
+        vpslld ymm9, ymm9, 20
+        vpor ymm9, ymm9, ymm4
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm8, ymm8, ymm13
+        vpaddd ymm0, ymm0, ymm1
+        vpaddd ymm8, ymm8, ymm9
+        vmovdqa ymmword ptr [rsp+0x80], ymm5
+        vmovdqa ymmword ptr [rsp+0xA0], ymm13
+        vpxor ymm3, ymm3, ymm0
+        vpxor ymm11, ymm11, ymm8
+        vbroadcasti128 ymm4, xmmword ptr [208f+rip]
+        vpshufb ymm3, ymm3, ymm4
+        vpshufb ymm11, ymm11, ymm4
+        vpaddd ymm2, ymm2, ymm3
+        vpaddd ymm10, ymm10, ymm11
+        vpxor ymm1, ymm1, ymm2
+        vpxor ymm9, ymm9, ymm10
+        vpsrld ymm4, ymm1, 7
+        vpslld ymm1, ymm1, 25
+        vpor ymm1, ymm1, ymm4
+        vpsrld ymm4, ymm9, 7
+        vpslld ymm9, ymm9, 25
+        vpor ymm9, ymm9, ymm4
+        vpshufd ymm0, ymm0, 0x93
+        vpshufd ymm8, ymm8, 0x93
+        vpshufd ymm3, ymm3, 0x4E
+        vpshufd ymm11, ymm11, 0x4E
+        vpshufd ymm2, ymm2, 0x39
+        vpshufd ymm10, ymm10, 0x39
+        vpaddd ymm0, ymm0, ymm6
+        vpaddd ymm8, ymm8, ymm14
+        vpaddd ymm0, ymm0, ymm1
+        vpaddd ymm8, ymm8, ymm9
+        vpxor ymm3, ymm3, ymm0
+        vpxor ymm11, ymm11, ymm8
+        vbroadcasti128 ymm4, xmmword ptr [207f+rip]
+        vpshufb ymm3, ymm3, ymm4
+        vpshufb ymm11, ymm11, ymm4
+        vpaddd ymm2, ymm2, ymm3
+        vpaddd ymm10, ymm10, ymm11
+        vpxor ymm1, ymm1, ymm2
+        vpxor ymm9, ymm9, ymm10
+        vpsrld ymm4, ymm1, 12
+        vpslld ymm1, ymm1, 20
+        vpor ymm1, ymm1, ymm4
+        vpsrld ymm4, ymm9, 12
+        vpslld ymm9, ymm9, 20
+        vpor ymm9, ymm9, ymm4
+        vpaddd ymm0, ymm0, ymm7
+        vpaddd ymm8, ymm8, ymm15
+        vpaddd ymm0, ymm0, ymm1
+        vpaddd ymm8, ymm8, ymm9
+        vpxor ymm3, ymm3, ymm0
+        vpxor ymm11, ymm11, ymm8
+        vbroadcasti128 ymm4, xmmword ptr [208f+rip]
+        vpshufb ymm3, ymm3, ymm4
+        vpshufb ymm11, ymm11, ymm4
+        vpaddd ymm2, ymm2, ymm3
+        vpaddd ymm10, ymm10, ymm11
+        vpxor ymm1, ymm1, ymm2
+        vpxor ymm9, ymm9, ymm10
+        vpsrld ymm4, ymm1, 7
+        vpslld ymm1, ymm1, 25
+        vpor ymm1, ymm1, ymm4
+        vpsrld ymm4, ymm9, 7
+        vpslld ymm9, ymm9, 25
+        vpor ymm9, ymm9, ymm4
+        vpshufd ymm0, ymm0, 0x39
+        vpshufd ymm8, ymm8, 0x39
+        vpshufd ymm3, ymm3, 0x4E
+        vpshufd ymm11, ymm11, 0x4E
+        vpshufd ymm2, ymm2, 0x93
+        vpshufd ymm10, ymm10, 0x93
+        dec al
+        je 9f
+        vmovdqa ymm4, ymmword ptr [rsp+0x40]
+        vmovdqa ymm5, ymmword ptr [rsp+0x80]
+        vshufps ymm12, ymm4, ymm5, 214
+        vpshufd ymm13, ymm4, 0x0F
+        vpshufd ymm4, ymm12, 0x39
+        vshufps ymm12, ymm6, ymm7, 250
+        vpblendd ymm13, ymm13, ymm12, 0xAA
+        vpunpcklqdq ymm12, ymm7, ymm5
+        vpblendd ymm12, ymm12, ymm6, 0x88
+        vpshufd ymm12, ymm12, 0x78
+        vpunpckhdq ymm5, ymm5, ymm7
+        vpunpckldq ymm6, ymm6, ymm5
+        vpshufd ymm7, ymm6, 0x1E
+        vmovdqa ymmword ptr [rsp+0x40], ymm13
+        vmovdqa ymmword ptr [rsp+0x80], ymm12
+        vmovdqa ymm12, ymmword ptr [rsp+0x60]
+        vmovdqa ymm13, ymmword ptr [rsp+0xA0]
+        vshufps ymm5, ymm12, ymm13, 214
+        vpshufd ymm6, ymm12, 0x0F
+        vpshufd ymm12, ymm5, 0x39
+        vshufps ymm5, ymm14, ymm15, 250
+        vpblendd ymm6, ymm6, ymm5, 0xAA
+        vpunpcklqdq ymm5, ymm15, ymm13
+        vpblendd ymm5, ymm5, ymm14, 0x88
+        vpshufd ymm5, ymm5, 0x78
+        vpunpckhdq ymm13, ymm13, ymm15
+        vpunpckldq ymm14, ymm14, ymm13
+        vpshufd ymm15, ymm14, 0x1E
+        vmovdqa ymm13, ymm6
+        vmovdqa ymm14, ymm5
+        vmovdqa ymm5, ymmword ptr [rsp+0x40]
+        vmovdqa ymm6, ymmword ptr [rsp+0x80]
+        jmp 9b
+9:
+        vpxor ymm0, ymm0, ymm2
+        vpxor ymm1, ymm1, ymm3
+        vpxor ymm8, ymm8, ymm10
+        vpxor ymm9, ymm9, ymm11
+        mov eax, r13d
+        cmp rdx, r15
+        jne 2b
+        vmovdqu xmmword ptr [rbx], xmm0
+        vmovdqu xmmword ptr [rbx+0x10], xmm1
+        vextracti128 xmmword ptr [rbx+0x20], ymm0, 0x01
+        vextracti128 xmmword ptr [rbx+0x30], ymm1, 0x01
+        vmovdqu xmmword ptr [rbx+0x40], xmm8
+        vmovdqu xmmword ptr [rbx+0x50], xmm9
+        vextracti128 xmmword ptr [rbx+0x60], ymm8, 0x01
+        vextracti128 xmmword ptr [rbx+0x70], ymm9, 0x01
+        vmovaps xmm8, xmmword ptr [rsp+0x280]
+        vmovaps xmm0, xmmword ptr [rsp+0x240]
+        vmovaps xmm1, xmmword ptr [rsp+0x250]
+        vmovaps xmm2, xmmword ptr [rsp+0x260]
+        vmovaps xmm3, xmmword ptr [rsp+0x270]
+        vblendvps xmm0, xmm0, xmm1, xmm8
+        vblendvps xmm2, xmm2, xmm3, xmm8
+        vmovaps xmmword ptr [rsp+0x240], xmm0
+        vmovaps xmmword ptr [rsp+0x260], xmm2
+        add rbx, 128
+        add rdi, 32
+        sub rsi, 4
+3:
+        test rsi, 0x2
+        je 3f
+        vbroadcasti128 ymm0, xmmword ptr [rcx]
+        vbroadcasti128 ymm1, xmmword ptr [rcx+0x10]
+        vmovd xmm13, dword ptr [rsp+0x240]
+        vpinsrd xmm13, xmm13, dword ptr [rsp+0x260], 1
+        vpinsrd xmm13, xmm13, dword ptr [206f+rip], 2
+        vmovd xmm14, dword ptr [rsp+0x244]
+        vpinsrd xmm14, xmm14, dword ptr [rsp+0x264], 1
+        vpinsrd xmm14, xmm14, dword ptr [206f+rip], 2
+        vinserti128 ymm13, ymm13, xmm14, 0x01
+        vbroadcasti128 ymm14, xmmword ptr [207f+rip]
+        vbroadcasti128 ymm15, xmmword ptr [208f+rip]
+        mov r8, qword ptr [rdi]
+        mov r9, qword ptr [rdi+0x8]
+        movzx eax, byte ptr [rbp+0x40]
+        or eax, r13d
+        xor edx, edx
+.p2align 5
+2:
+        mov r14d, eax
+        or eax, r12d
+        add rdx, 64
+        cmp rdx, r15
+        cmovne eax, r14d
+        mov dword ptr [rsp+0x200], eax
+        vbroadcasti128 ymm2, xmmword ptr [210f+rip]
+        vpbroadcastd ymm8, dword ptr [rsp+0x200]
+        vpblendd ymm3, ymm13, ymm8, 0x88
+        vmovups ymm8, ymmword ptr [r8+rdx-0x40]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r9+rdx-0x40], 0x01
+        vmovups ymm9, ymmword ptr [r8+rdx-0x30]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r9+rdx-0x30], 0x01
+        vshufps ymm4, ymm8, ymm9, 136
+        vshufps ymm5, ymm8, ymm9, 221
+        vmovups ymm8, ymmword ptr [r8+rdx-0x20]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r9+rdx-0x20], 0x01
+        vmovups ymm9, ymmword ptr [r8+rdx-0x10]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r9+rdx-0x10], 0x01
+        vshufps ymm6, ymm8, ymm9, 136
+        vshufps ymm7, ymm8, ymm9, 221
+        vpshufd ymm6, ymm6, 0x93
+        vpshufd ymm7, ymm7, 0x93
+        mov al, 7
+9:
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm0, ymm0, ymm1
+        vpxor ymm3, ymm3, ymm0
+        vpshufb ymm3, ymm3, ymm14
+        vpaddd ymm2, ymm2, ymm3
+        vpxor ymm1, ymm1, ymm2
+        vpsrld ymm8, ymm1, 12
+        vpslld ymm1, ymm1, 20
+        vpor ymm1, ymm1, ymm8
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm0, ymm0, ymm1
+        vpxor ymm3, ymm3, ymm0
+        vpshufb ymm3, ymm3, ymm15
+        vpaddd ymm2, ymm2, ymm3
+        vpxor ymm1, ymm1, ymm2
+        vpsrld ymm8, ymm1, 7
+        vpslld ymm1, ymm1, 25
+        vpor ymm1, ymm1, ymm8
+        vpshufd ymm0, ymm0, 0x93
+        vpshufd ymm3, ymm3, 0x4E
+        vpshufd ymm2, ymm2, 0x39
+        vpaddd ymm0, ymm0, ymm6
+        vpaddd ymm0, ymm0, ymm1
+        vpxor ymm3, ymm3, ymm0
+        vpshufb ymm3, ymm3, ymm14
+        vpaddd ymm2, ymm2, ymm3
+        vpxor ymm1, ymm1, ymm2
+        vpsrld ymm8, ymm1, 12
+        vpslld ymm1, ymm1, 20
+        vpor ymm1, ymm1, ymm8
+        vpaddd ymm0, ymm0, ymm7
+        vpaddd ymm0, ymm0, ymm1
+        vpxor ymm3, ymm3, ymm0
+        vpshufb ymm3, ymm3, ymm15
+        vpaddd ymm2, ymm2, ymm3
+        vpxor ymm1, ymm1, ymm2
+        vpsrld ymm8, ymm1, 7
+        vpslld ymm1, ymm1, 25
+        vpor ymm1, ymm1, ymm8
+        vpshufd ymm0, ymm0, 0x39
+        vpshufd ymm3, ymm3, 0x4E
+        vpshufd ymm2, ymm2, 0x93
+        dec al
+        jz 9f
+        vshufps ymm8, ymm4, ymm5, 214
+        vpshufd ymm9, ymm4, 0x0F
+        vpshufd ymm4, ymm8, 0x39
+        vshufps ymm8, ymm6, ymm7, 250
+        vpblendd ymm9, ymm9, ymm8, 0xAA
+        vpunpcklqdq ymm8, ymm7, ymm5
+        vpblendd ymm8, ymm8, ymm6, 0x88
+        vpshufd ymm8, ymm8, 0x78
+        vpunpckhdq ymm5, ymm5, ymm7
+        vpunpckldq ymm6, ymm6, ymm5
+        vpshufd ymm7, ymm6, 0x1E
+        vmovdqa ymm5, ymm9
+        vmovdqa ymm6, ymm8
+        jmp 9b
+9:
+        vpxor ymm0, ymm0, ymm2
+        vpxor ymm1, ymm1, ymm3
+        mov eax, r13d
+        cmp rdx, r15
+        jne 2b
+        vmovdqu xmmword ptr [rbx], xmm0
+        vmovdqu xmmword ptr [rbx+0x10], xmm1
+        vextracti128 xmmword ptr [rbx+0x20], ymm0, 0x01
+        vextracti128 xmmword ptr [rbx+0x30], ymm1, 0x01
+        vmovaps ymm8, ymmword ptr [rsp+0x280]
+        vmovaps ymm0, ymmword ptr [rsp+0x240]
+        vmovups ymm1, ymmword ptr [rsp+0x248]
+        vmovaps ymm2, ymmword ptr [rsp+0x260]
+        vmovups ymm3, ymmword ptr [rsp+0x268]
+        vblendvps ymm0, ymm0, ymm1, ymm8
+        vblendvps ymm2, ymm2, ymm3, ymm8
+        vmovaps ymmword ptr [rsp+0x240], ymm0
+        vmovaps ymmword ptr [rsp+0x260], ymm2
+        add rbx, 64
+        add rdi, 16
+        sub rsi, 2
+3:
+        test rsi, 0x1
+        je 4b
+        vmovdqu xmm0, xmmword ptr [rcx]
+        vmovdqu xmm1, xmmword ptr [rcx+0x10]
+        vmovd xmm3, dword ptr [rsp+0x240]
+        vpinsrd xmm3, xmm3, dword ptr [rsp+0x260], 1
+        vpinsrd xmm13, xmm3, dword ptr [206f+rip], 2
+        vmovdqa xmm14, xmmword ptr [207f+rip]
+        vmovdqa xmm15, xmmword ptr [208f+rip]
+        mov r8, qword ptr [rdi]
+        movzx eax, byte ptr [rbp+0x40]
+        or eax, r13d
+        xor edx, edx
+.p2align 5
+2:
+        mov r14d, eax
+        or eax, r12d
+        add rdx, 64
+        cmp rdx, r15
+        cmovne eax, r14d
+        vmovdqa xmm2, xmmword ptr [210f+rip]
+        vmovdqa xmm3, xmm13
+        vpinsrd xmm3, xmm3, eax, 3
+        vmovups xmm8, xmmword ptr [r8+rdx-0x40]
+        vmovups xmm9, xmmword ptr [r8+rdx-0x30]
+        vshufps xmm4, xmm8, xmm9, 136
+        vshufps xmm5, xmm8, xmm9, 221
+        vmovups xmm8, xmmword ptr [r8+rdx-0x20]
+        vmovups xmm9, xmmword ptr [r8+rdx-0x10]
+        vshufps xmm6, xmm8, xmm9, 136
+        vshufps xmm7, xmm8, xmm9, 221
+        vpshufd xmm6, xmm6, 0x93
+        vpshufd xmm7, xmm7, 0x93
+        mov al, 7
+9:
+        vpaddd xmm0, xmm0, xmm4
+        vpaddd xmm0, xmm0, xmm1
+        vpxor xmm3, xmm3, xmm0
+        vpshufb xmm3, xmm3, xmm14
+        vpaddd xmm2, xmm2, xmm3
+        vpxor xmm1, xmm1, xmm2
+        vpsrld xmm8, xmm1, 12
+        vpslld xmm1, xmm1, 20
+        vpor xmm1, xmm1, xmm8
+        vpaddd xmm0, xmm0, xmm5
+        vpaddd xmm0, xmm0, xmm1
+        vpxor xmm3, xmm3, xmm0
+        vpshufb xmm3, xmm3, xmm15
+        vpaddd xmm2, xmm2, xmm3
+        vpxor xmm1, xmm1, xmm2
+        vpsrld xmm8, xmm1, 7
+        vpslld xmm1, xmm1, 25
+        vpor xmm1, xmm1, xmm8
+        vpshufd xmm0, xmm0, 0x93
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x39
+        vpaddd xmm0, xmm0, xmm6
+        vpaddd xmm0, xmm0, xmm1
+        vpxor xmm3, xmm3, xmm0
+        vpshufb xmm3, xmm3, xmm14
+        vpaddd xmm2, xmm2, xmm3
+        vpxor xmm1, xmm1, xmm2
+        vpsrld xmm8, xmm1, 12
+        vpslld xmm1, xmm1, 20
+        vpor xmm1, xmm1, xmm8
+        vpaddd xmm0, xmm0, xmm7
+        vpaddd xmm0, xmm0, xmm1
+        vpxor xmm3, xmm3, xmm0
+        vpshufb xmm3, xmm3, xmm15
+        vpaddd xmm2, xmm2, xmm3
+        vpxor xmm1, xmm1, xmm2
+        vpsrld xmm8, xmm1, 7
+        vpslld xmm1, xmm1, 25
+        vpor xmm1, xmm1, xmm8
+        vpshufd xmm0, xmm0, 0x39
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x93
+        dec al
+        jz 9f
+        vshufps xmm8, xmm4, xmm5, 214
+        vpshufd xmm9, xmm4, 0x0F
+        vpshufd xmm4, xmm8, 0x39
+        vshufps xmm8, xmm6, xmm7, 250
+        vpblendd xmm9, xmm9, xmm8, 0xAA
+        vpunpcklqdq xmm8, xmm7, xmm5
+        vpblendd xmm8, xmm8, xmm6, 0x88
+        vpshufd xmm8, xmm8, 0x78
+        vpunpckhdq xmm5, xmm5, xmm7
+        vpunpckldq xmm6, xmm6, xmm5
+        vpshufd xmm7, xmm6, 0x1E
+        vmovdqa xmm5, xmm9
+        vmovdqa xmm6, xmm8
+        jmp 9b
+9:
+        vpxor xmm0, xmm0, xmm2
+        vpxor xmm1, xmm1, xmm3
+        mov eax, r13d
+        cmp rdx, r15
+        jne 2b
+        vmovdqu xmmword ptr [rbx], xmm0
+        vmovdqu xmmword ptr [rbx+0x10], xmm1
+        jmp 4b
+
+
+
+
+
+.section .rodata
+
+.p2align 6
+200:
+        .long 0, 1, 2, 3, 4, 5, 6, 7
+201:
+        .long 8, 8, 8, 8, 8, 8, 8, 8
+202:
+        .long 0x6A09E667, 0x6A09E667, 0x6A09E667, 0x6A09E667
+        .long 0x6A09E667, 0x6A09E667, 0x6A09E667, 0x6A09E667
+203:
+        .long 0xBB67AE85, 0xBB67AE85, 0xBB67AE85, 0xBB67AE85
+        .long 0xBB67AE85, 0xBB67AE85, 0xBB67AE85, 0xBB67AE85
+204:
+        .long 0x3C6EF372, 0x3C6EF372, 0x3C6EF372, 0x3C6EF372
+        .long 0x3C6EF372, 0x3C6EF372, 0x3C6EF372, 0x3C6EF372
+205:
+        .long 0xA54FF53A, 0xA54FF53A, 0xA54FF53A, 0xA54FF53A
+        .long 0xA54FF53A, 0xA54FF53A, 0xA54FF53A, 0xA54FF53A
+206:
+        .long 0x00000040, 0x00000040, 0x00000040, 0x00000040
+        .long 0x00000040, 0x00000040, 0x00000040, 0x00000040
+207:
+        .byte 2, 3, 0, 1, 6, 7, 4, 5, 10, 11, 8, 9, 14, 15, 12, 13
+208:
+        .byte 1, 2, 3, 0, 5, 6, 7, 4, 9, 10, 11, 8, 13, 14, 15, 12
+209:
+        .long 0x80000000, 0x80000000, 0x80000000, 0x80000000
+        .long 0x80000000, 0x80000000, 0x80000000, 0x80000000
+210:
+        .long 0x6A09E667, 0xBB67AE85, 0x3C6EF372, 0xA54FF53A
diff --git a/ext/blake3-smol/src/asm/blake3_avx2_x86-64_windows_gnu.S b/ext/blake3-smol/src/asm/blake3_avx2_x86-64_windows_gnu.S
new file mode 100644 (file)
index 0000000..4aec721
--- /dev/null
@@ -0,0 +1,1816 @@
+.global _blake3_hash_many_avx2
+.global blake3_hash_many_avx2
+.section .text
+        .p2align  6
+_blake3_hash_many_avx2:
+blake3_hash_many_avx2:
+        push    r15
+        push    r14
+        push    r13
+        push    r12
+        push    rsi
+        push    rdi
+        push    rbx
+        push    rbp
+        mov     rbp, rsp
+        sub     rsp, 880
+        and     rsp, 0xFFFFFFFFFFFFFFC0
+        vmovdqa xmmword ptr [rsp+0x2D0], xmm6
+        vmovdqa xmmword ptr [rsp+0x2E0], xmm7
+        vmovdqa xmmword ptr [rsp+0x2F0], xmm8
+        vmovdqa xmmword ptr [rsp+0x300], xmm9
+        vmovdqa xmmword ptr [rsp+0x310], xmm10
+        vmovdqa xmmword ptr [rsp+0x320], xmm11
+        vmovdqa xmmword ptr [rsp+0x330], xmm12
+        vmovdqa xmmword ptr [rsp+0x340], xmm13
+        vmovdqa xmmword ptr [rsp+0x350], xmm14
+        vmovdqa xmmword ptr [rsp+0x360], xmm15
+        mov     rdi, rcx
+        mov     rsi, rdx
+        mov     rdx, r8
+        mov     rcx, r9
+        mov     r8, qword ptr [rbp+0x68]
+        movzx   r9, byte ptr [rbp+0x70]
+        neg     r9d
+        vmovd   xmm0, r9d
+        vpbroadcastd ymm0, xmm0
+        vmovdqa ymmword ptr [rsp+0x260], ymm0
+        vpand   ymm1, ymm0, ymmword ptr [ADD0+rip]
+        vpand   ymm2, ymm0, ymmword ptr [ADD1+rip]
+        vmovdqa ymmword ptr [rsp+0x2A0], ymm2
+        vmovd   xmm2, r8d
+        vpbroadcastd ymm2, xmm2
+        vpaddd  ymm2, ymm2, ymm1
+        vmovdqa ymmword ptr [rsp+0x220], ymm2
+        vpxor   ymm1, ymm1, ymmword ptr [CMP_MSB_MASK+rip]
+        vpxor   ymm2, ymm2, ymmword ptr [CMP_MSB_MASK+rip]
+        vpcmpgtd ymm2, ymm1, ymm2
+        shr     r8, 32
+        vmovd   xmm3, r8d
+        vpbroadcastd ymm3, xmm3
+        vpsubd  ymm3, ymm3, ymm2
+        vmovdqa ymmword ptr [rsp+0x240], ymm3
+        shl     rdx, 6
+        mov     qword ptr [rsp+0x2C0], rdx
+        cmp     rsi, 8
+        jc      3f
+2:
+        vpbroadcastd ymm0, dword ptr [rcx]
+        vpbroadcastd ymm1, dword ptr [rcx+0x4]
+        vpbroadcastd ymm2, dword ptr [rcx+0x8]
+        vpbroadcastd ymm3, dword ptr [rcx+0xC]
+        vpbroadcastd ymm4, dword ptr [rcx+0x10]
+        vpbroadcastd ymm5, dword ptr [rcx+0x14]
+        vpbroadcastd ymm6, dword ptr [rcx+0x18]
+        vpbroadcastd ymm7, dword ptr [rcx+0x1C]
+        mov     r8, qword ptr [rdi]
+        mov     r9, qword ptr [rdi+0x8]
+        mov     r10, qword ptr [rdi+0x10]
+        mov     r11, qword ptr [rdi+0x18]
+        mov     r12, qword ptr [rdi+0x20]
+        mov     r13, qword ptr [rdi+0x28]
+        mov     r14, qword ptr [rdi+0x30]
+        mov     r15, qword ptr [rdi+0x38]
+        movzx   eax, byte ptr [rbp+0x78]
+        movzx   ebx, byte ptr [rbp+0x80]
+        or      eax, ebx
+        xor     edx, edx
+.p2align 5
+9:
+        movzx   ebx, byte ptr [rbp+0x88]
+        or      ebx, eax
+        add     rdx, 64
+        cmp     rdx, qword ptr [rsp+0x2C0]
+        cmove   eax, ebx
+        mov     dword ptr [rsp+0x200], eax
+        vmovups xmm8, xmmword ptr [r8+rdx-0x40]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x40], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x40]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x40], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x40]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x40], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x40]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x40], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm8, ymm12, ymm14, 136
+        vmovaps ymmword ptr [rsp], ymm8
+        vshufps ymm9, ymm12, ymm14, 221
+        vmovaps ymmword ptr [rsp+0x20], ymm9
+        vshufps ymm10, ymm13, ymm15, 136
+        vmovaps ymmword ptr [rsp+0x40], ymm10
+        vshufps ymm11, ymm13, ymm15, 221
+        vmovaps ymmword ptr [rsp+0x60], ymm11
+        vmovups xmm8, xmmword ptr [r8+rdx-0x30]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x30], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x30]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x30], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x30]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x30], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x30]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x30], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm8, ymm12, ymm14, 136
+        vmovaps ymmword ptr [rsp+0x80], ymm8
+        vshufps ymm9, ymm12, ymm14, 221
+        vmovaps ymmword ptr [rsp+0xA0], ymm9
+        vshufps ymm10, ymm13, ymm15, 136
+        vmovaps ymmword ptr [rsp+0xC0], ymm10
+        vshufps ymm11, ymm13, ymm15, 221
+        vmovaps ymmword ptr [rsp+0xE0], ymm11
+        vmovups xmm8, xmmword ptr [r8+rdx-0x20]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x20], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x20]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x20], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x20]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x20], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x20]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x20], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm8, ymm12, ymm14, 136
+        vmovaps ymmword ptr [rsp+0x100], ymm8
+        vshufps ymm9, ymm12, ymm14, 221
+        vmovaps ymmword ptr [rsp+0x120], ymm9
+        vshufps ymm10, ymm13, ymm15, 136
+        vmovaps ymmword ptr [rsp+0x140], ymm10
+        vshufps ymm11, ymm13, ymm15, 221
+        vmovaps ymmword ptr [rsp+0x160], ymm11
+        vmovups xmm8, xmmword ptr [r8+rdx-0x10]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x10], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x10]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x10], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x10]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x10], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x10]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x10], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm8, ymm12, ymm14, 136
+        vmovaps ymmword ptr [rsp+0x180], ymm8
+        vshufps ymm9, ymm12, ymm14, 221
+        vmovaps ymmword ptr [rsp+0x1A0], ymm9
+        vshufps ymm10, ymm13, ymm15, 136
+        vmovaps ymmword ptr [rsp+0x1C0], ymm10
+        vshufps ymm11, ymm13, ymm15, 221
+        vmovaps ymmword ptr [rsp+0x1E0], ymm11
+        vpbroadcastd ymm15, dword ptr [rsp+0x200]
+        prefetcht0 [r8+rdx+0x80]
+        prefetcht0 [r12+rdx+0x80]
+        prefetcht0 [r9+rdx+0x80]
+        prefetcht0 [r13+rdx+0x80]
+        prefetcht0 [r10+rdx+0x80]
+        prefetcht0 [r14+rdx+0x80]
+        prefetcht0 [r11+rdx+0x80]
+        prefetcht0 [r15+rdx+0x80]
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x40]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x80]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0xC0]
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxor   ymm12, ymm0, ymmword ptr [rsp+0x220]
+        vpxor   ymm13, ymm1, ymmword ptr [rsp+0x240]
+        vpxor   ymm14, ymm2, ymmword ptr [BLAKE3_BLOCK_LEN+rip]
+        vpxor   ymm15, ymm3, ymm15
+        vbroadcasti128 ymm8, xmmword ptr [ROT16+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd  ymm8, ymm12, ymmword ptr [BLAKE3_IV_0+rip]
+        vpaddd  ymm9, ymm13, ymmword ptr [BLAKE3_IV_1+rip]
+        vpaddd  ymm10, ymm14, ymmword ptr [BLAKE3_IV_2+rip]
+        vpaddd  ymm11, ymm15, ymmword ptr [BLAKE3_IV_3+rip]
+        vpxor   ymm4, ymm4, ymm8
+        vpxor   ymm5, ymm5, ymm9
+        vpxor   ymm6, ymm6, ymm10
+        vpxor   ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm4, 12
+        vpslld  ymm4, ymm4, 20
+        vpor    ymm4, ymm4, ymm8
+        vpsrld  ymm8, ymm5, 12
+        vpslld  ymm5, ymm5, 20
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 12
+        vpslld  ymm6, ymm6, 20
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 12
+        vpslld  ymm7, ymm7, 20
+        vpor    ymm7, ymm7, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x20]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x60]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0xA0]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0xE0]
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxor   ymm12, ymm12, ymm0
+        vpxor   ymm13, ymm13, ymm1
+        vpxor   ymm14, ymm14, ymm2
+        vpxor   ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT8+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd  ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxor   ymm4, ymm4, ymm8
+        vpxor   ymm5, ymm5, ymm9
+        vpxor   ymm6, ymm6, ymm10
+        vpxor   ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm4, 7
+        vpslld  ymm4, ymm4, 25
+        vpor    ymm4, ymm4, ymm8
+        vpsrld  ymm8, ymm5, 7
+        vpslld  ymm5, ymm5, 25
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 7
+        vpslld  ymm6, ymm6, 25
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 7
+        vpslld  ymm7, ymm7, 25
+        vpor    ymm7, ymm7, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x100]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x140]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x180]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x1C0]
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxor   ymm15, ymm15, ymm0
+        vpxor   ymm12, ymm12, ymm1
+        vpxor   ymm13, ymm13, ymm2
+        vpxor   ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT16+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm14
+        vpxor   ymm5, ymm5, ymm10
+        vpxor   ymm6, ymm6, ymm11
+        vpxor   ymm7, ymm7, ymm8
+        vpxor   ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm5, 12
+        vpslld  ymm5, ymm5, 20
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 12
+        vpslld  ymm6, ymm6, 20
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 12
+        vpslld  ymm7, ymm7, 20
+        vpor    ymm7, ymm7, ymm8
+        vpsrld  ymm8, ymm4, 12
+        vpslld  ymm4, ymm4, 20
+        vpor    ymm4, ymm4, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x120]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x160]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x1A0]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x1E0]
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxor   ymm15, ymm15, ymm0
+        vpxor   ymm12, ymm12, ymm1
+        vpxor   ymm13, ymm13, ymm2
+        vpxor   ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT8+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm14
+        vpxor   ymm5, ymm5, ymm10
+        vpxor   ymm6, ymm6, ymm11
+        vpxor   ymm7, ymm7, ymm8
+        vpxor   ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm5, 7
+        vpslld  ymm5, ymm5, 25
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 7
+        vpslld  ymm6, ymm6, 25
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 7
+        vpslld  ymm7, ymm7, 25
+        vpor    ymm7, ymm7, ymm8
+        vpsrld  ymm8, ymm4, 7
+        vpslld  ymm4, ymm4, 25
+        vpor    ymm4, ymm4, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x40]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x60]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0xE0]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x80]
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxor   ymm12, ymm12, ymm0
+        vpxor   ymm13, ymm13, ymm1
+        vpxor   ymm14, ymm14, ymm2
+        vpxor   ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT16+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd  ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxor   ymm4, ymm4, ymm8
+        vpxor   ymm5, ymm5, ymm9
+        vpxor   ymm6, ymm6, ymm10
+        vpxor   ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm4, 12
+        vpslld  ymm4, ymm4, 20
+        vpor    ymm4, ymm4, ymm8
+        vpsrld  ymm8, ymm5, 12
+        vpslld  ymm5, ymm5, 20
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 12
+        vpslld  ymm6, ymm6, 20
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 12
+        vpslld  ymm7, ymm7, 20
+        vpor    ymm7, ymm7, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0xC0]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x140]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x1A0]
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxor   ymm12, ymm12, ymm0
+        vpxor   ymm13, ymm13, ymm1
+        vpxor   ymm14, ymm14, ymm2
+        vpxor   ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT8+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd  ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxor   ymm4, ymm4, ymm8
+        vpxor   ymm5, ymm5, ymm9
+        vpxor   ymm6, ymm6, ymm10
+        vpxor   ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm4, 7
+        vpslld  ymm4, ymm4, 25
+        vpor    ymm4, ymm4, ymm8
+        vpsrld  ymm8, ymm5, 7
+        vpslld  ymm5, ymm5, 25
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 7
+        vpslld  ymm6, ymm6, 25
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 7
+        vpslld  ymm7, ymm7, 25
+        vpor    ymm7, ymm7, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x20]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x180]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x120]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x1E0]
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxor   ymm15, ymm15, ymm0
+        vpxor   ymm12, ymm12, ymm1
+        vpxor   ymm13, ymm13, ymm2
+        vpxor   ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT16+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm14
+        vpxor   ymm5, ymm5, ymm10
+        vpxor   ymm6, ymm6, ymm11
+        vpxor   ymm7, ymm7, ymm8
+        vpxor   ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm5, 12
+        vpslld  ymm5, ymm5, 20
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 12
+        vpslld  ymm6, ymm6, 20
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 12
+        vpslld  ymm7, ymm7, 20
+        vpor    ymm7, ymm7, ymm8
+        vpsrld  ymm8, ymm4, 12
+        vpslld  ymm4, ymm4, 20
+        vpor    ymm4, ymm4, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x160]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0xA0]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x1C0]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x100]
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxor   ymm15, ymm15, ymm0
+        vpxor   ymm12, ymm12, ymm1
+        vpxor   ymm13, ymm13, ymm2
+        vpxor   ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT8+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm14
+        vpxor   ymm5, ymm5, ymm10
+        vpxor   ymm6, ymm6, ymm11
+        vpxor   ymm7, ymm7, ymm8
+        vpxor   ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm5, 7
+        vpslld  ymm5, ymm5, 25
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 7
+        vpslld  ymm6, ymm6, 25
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 7
+        vpslld  ymm7, ymm7, 25
+        vpor    ymm7, ymm7, ymm8
+        vpsrld  ymm8, ymm4, 7
+        vpslld  ymm4, ymm4, 25
+        vpor    ymm4, ymm4, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x60]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x140]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x1A0]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0xE0]
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxor   ymm12, ymm12, ymm0
+        vpxor   ymm13, ymm13, ymm1
+        vpxor   ymm14, ymm14, ymm2
+        vpxor   ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT16+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd  ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxor   ymm4, ymm4, ymm8
+        vpxor   ymm5, ymm5, ymm9
+        vpxor   ymm6, ymm6, ymm10
+        vpxor   ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm4, 12
+        vpslld  ymm4, ymm4, 20
+        vpor    ymm4, ymm4, ymm8
+        vpsrld  ymm8, ymm5, 12
+        vpslld  ymm5, ymm5, 20
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 12
+        vpslld  ymm6, ymm6, 20
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 12
+        vpslld  ymm7, ymm7, 20
+        vpor    ymm7, ymm7, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x80]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x180]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x40]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x1C0]
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxor   ymm12, ymm12, ymm0
+        vpxor   ymm13, ymm13, ymm1
+        vpxor   ymm14, ymm14, ymm2
+        vpxor   ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT8+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd  ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxor   ymm4, ymm4, ymm8
+        vpxor   ymm5, ymm5, ymm9
+        vpxor   ymm6, ymm6, ymm10
+        vpxor   ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm4, 7
+        vpslld  ymm4, ymm4, 25
+        vpor    ymm4, ymm4, ymm8
+        vpsrld  ymm8, ymm5, 7
+        vpslld  ymm5, ymm5, 25
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 7
+        vpslld  ymm6, ymm6, 25
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 7
+        vpslld  ymm7, ymm7, 25
+        vpor    ymm7, ymm7, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0xC0]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x120]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x160]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x100]
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxor   ymm15, ymm15, ymm0
+        vpxor   ymm12, ymm12, ymm1
+        vpxor   ymm13, ymm13, ymm2
+        vpxor   ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT16+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm14
+        vpxor   ymm5, ymm5, ymm10
+        vpxor   ymm6, ymm6, ymm11
+        vpxor   ymm7, ymm7, ymm8
+        vpxor   ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm5, 12
+        vpslld  ymm5, ymm5, 20
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 12
+        vpslld  ymm6, ymm6, 20
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 12
+        vpslld  ymm7, ymm7, 20
+        vpor    ymm7, ymm7, ymm8
+        vpsrld  ymm8, ymm4, 12
+        vpslld  ymm4, ymm4, 20
+        vpor    ymm4, ymm4, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0xA0]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x1E0]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x20]
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxor   ymm15, ymm15, ymm0
+        vpxor   ymm12, ymm12, ymm1
+        vpxor   ymm13, ymm13, ymm2
+        vpxor   ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT8+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm14
+        vpxor   ymm5, ymm5, ymm10
+        vpxor   ymm6, ymm6, ymm11
+        vpxor   ymm7, ymm7, ymm8
+        vpxor   ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm5, 7
+        vpslld  ymm5, ymm5, 25
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 7
+        vpslld  ymm6, ymm6, 25
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 7
+        vpslld  ymm7, ymm7, 25
+        vpor    ymm7, ymm7, ymm8
+        vpsrld  ymm8, ymm4, 7
+        vpslld  ymm4, ymm4, 25
+        vpor    ymm4, ymm4, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x140]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x180]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x1C0]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x1A0]
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxor   ymm12, ymm12, ymm0
+        vpxor   ymm13, ymm13, ymm1
+        vpxor   ymm14, ymm14, ymm2
+        vpxor   ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT16+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd  ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxor   ymm4, ymm4, ymm8
+        vpxor   ymm5, ymm5, ymm9
+        vpxor   ymm6, ymm6, ymm10
+        vpxor   ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm4, 12
+        vpslld  ymm4, ymm4, 20
+        vpor    ymm4, ymm4, ymm8
+        vpsrld  ymm8, ymm5, 12
+        vpslld  ymm5, ymm5, 20
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 12
+        vpslld  ymm6, ymm6, 20
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 12
+        vpslld  ymm7, ymm7, 20
+        vpor    ymm7, ymm7, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0xE0]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x120]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x60]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x1E0]
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxor   ymm12, ymm12, ymm0
+        vpxor   ymm13, ymm13, ymm1
+        vpxor   ymm14, ymm14, ymm2
+        vpxor   ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT8+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd  ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxor   ymm4, ymm4, ymm8
+        vpxor   ymm5, ymm5, ymm9
+        vpxor   ymm6, ymm6, ymm10
+        vpxor   ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm4, 7
+        vpslld  ymm4, ymm4, 25
+        vpor    ymm4, ymm4, ymm8
+        vpsrld  ymm8, ymm5, 7
+        vpslld  ymm5, ymm5, 25
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 7
+        vpslld  ymm6, ymm6, 25
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 7
+        vpslld  ymm7, ymm7, 25
+        vpor    ymm7, ymm7, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x80]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x160]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0xA0]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x20]
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxor   ymm15, ymm15, ymm0
+        vpxor   ymm12, ymm12, ymm1
+        vpxor   ymm13, ymm13, ymm2
+        vpxor   ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT16+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm14
+        vpxor   ymm5, ymm5, ymm10
+        vpxor   ymm6, ymm6, ymm11
+        vpxor   ymm7, ymm7, ymm8
+        vpxor   ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm5, 12
+        vpslld  ymm5, ymm5, 20
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 12
+        vpslld  ymm6, ymm6, 20
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 12
+        vpslld  ymm7, ymm7, 20
+        vpor    ymm7, ymm7, ymm8
+        vpsrld  ymm8, ymm4, 12
+        vpslld  ymm4, ymm4, 20
+        vpor    ymm4, ymm4, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x40]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x100]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0xC0]
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxor   ymm15, ymm15, ymm0
+        vpxor   ymm12, ymm12, ymm1
+        vpxor   ymm13, ymm13, ymm2
+        vpxor   ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT8+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm14
+        vpxor   ymm5, ymm5, ymm10
+        vpxor   ymm6, ymm6, ymm11
+        vpxor   ymm7, ymm7, ymm8
+        vpxor   ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm5, 7
+        vpslld  ymm5, ymm5, 25
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 7
+        vpslld  ymm6, ymm6, 25
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 7
+        vpslld  ymm7, ymm7, 25
+        vpor    ymm7, ymm7, ymm8
+        vpsrld  ymm8, ymm4, 7
+        vpslld  ymm4, ymm4, 25
+        vpor    ymm4, ymm4, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x180]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x120]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x1E0]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x1C0]
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxor   ymm12, ymm12, ymm0
+        vpxor   ymm13, ymm13, ymm1
+        vpxor   ymm14, ymm14, ymm2
+        vpxor   ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT16+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd  ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxor   ymm4, ymm4, ymm8
+        vpxor   ymm5, ymm5, ymm9
+        vpxor   ymm6, ymm6, ymm10
+        vpxor   ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm4, 12
+        vpslld  ymm4, ymm4, 20
+        vpor    ymm4, ymm4, ymm8
+        vpsrld  ymm8, ymm5, 12
+        vpslld  ymm5, ymm5, 20
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 12
+        vpslld  ymm6, ymm6, 20
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 12
+        vpslld  ymm7, ymm7, 20
+        vpor    ymm7, ymm7, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x1A0]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x160]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x140]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x100]
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxor   ymm12, ymm12, ymm0
+        vpxor   ymm13, ymm13, ymm1
+        vpxor   ymm14, ymm14, ymm2
+        vpxor   ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT8+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd  ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxor   ymm4, ymm4, ymm8
+        vpxor   ymm5, ymm5, ymm9
+        vpxor   ymm6, ymm6, ymm10
+        vpxor   ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm4, 7
+        vpslld  ymm4, ymm4, 25
+        vpor    ymm4, ymm4, ymm8
+        vpsrld  ymm8, ymm5, 7
+        vpslld  ymm5, ymm5, 25
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 7
+        vpslld  ymm6, ymm6, 25
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 7
+        vpslld  ymm7, ymm7, 25
+        vpor    ymm7, ymm7, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0xE0]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0xA0]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0xC0]
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxor   ymm15, ymm15, ymm0
+        vpxor   ymm12, ymm12, ymm1
+        vpxor   ymm13, ymm13, ymm2
+        vpxor   ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT16+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm14
+        vpxor   ymm5, ymm5, ymm10
+        vpxor   ymm6, ymm6, ymm11
+        vpxor   ymm7, ymm7, ymm8
+        vpxor   ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm5, 12
+        vpslld  ymm5, ymm5, 20
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 12
+        vpslld  ymm6, ymm6, 20
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 12
+        vpslld  ymm7, ymm7, 20
+        vpor    ymm7, ymm7, ymm8
+        vpsrld  ymm8, ymm4, 12
+        vpslld  ymm4, ymm4, 20
+        vpor    ymm4, ymm4, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x40]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x60]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x20]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x80]
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxor   ymm15, ymm15, ymm0
+        vpxor   ymm12, ymm12, ymm1
+        vpxor   ymm13, ymm13, ymm2
+        vpxor   ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT8+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm14
+        vpxor   ymm5, ymm5, ymm10
+        vpxor   ymm6, ymm6, ymm11
+        vpxor   ymm7, ymm7, ymm8
+        vpxor   ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm5, 7
+        vpslld  ymm5, ymm5, 25
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 7
+        vpslld  ymm6, ymm6, 25
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 7
+        vpslld  ymm7, ymm7, 25
+        vpor    ymm7, ymm7, ymm8
+        vpsrld  ymm8, ymm4, 7
+        vpslld  ymm4, ymm4, 25
+        vpor    ymm4, ymm4, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x120]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x160]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x100]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x1E0]
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxor   ymm12, ymm12, ymm0
+        vpxor   ymm13, ymm13, ymm1
+        vpxor   ymm14, ymm14, ymm2
+        vpxor   ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT16+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd  ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxor   ymm4, ymm4, ymm8
+        vpxor   ymm5, ymm5, ymm9
+        vpxor   ymm6, ymm6, ymm10
+        vpxor   ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm4, 12
+        vpslld  ymm4, ymm4, 20
+        vpor    ymm4, ymm4, ymm8
+        vpsrld  ymm8, ymm5, 12
+        vpslld  ymm5, ymm5, 20
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 12
+        vpslld  ymm6, ymm6, 20
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 12
+        vpslld  ymm7, ymm7, 20
+        vpor    ymm7, ymm7, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x1C0]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0xA0]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x180]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x20]
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxor   ymm12, ymm12, ymm0
+        vpxor   ymm13, ymm13, ymm1
+        vpxor   ymm14, ymm14, ymm2
+        vpxor   ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT8+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd  ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxor   ymm4, ymm4, ymm8
+        vpxor   ymm5, ymm5, ymm9
+        vpxor   ymm6, ymm6, ymm10
+        vpxor   ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm4, 7
+        vpslld  ymm4, ymm4, 25
+        vpor    ymm4, ymm4, ymm8
+        vpsrld  ymm8, ymm5, 7
+        vpslld  ymm5, ymm5, 25
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 7
+        vpslld  ymm6, ymm6, 25
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 7
+        vpslld  ymm7, ymm7, 25
+        vpor    ymm7, ymm7, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x1A0]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x40]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x80]
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxor   ymm15, ymm15, ymm0
+        vpxor   ymm12, ymm12, ymm1
+        vpxor   ymm13, ymm13, ymm2
+        vpxor   ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT16+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm14
+        vpxor   ymm5, ymm5, ymm10
+        vpxor   ymm6, ymm6, ymm11
+        vpxor   ymm7, ymm7, ymm8
+        vpxor   ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm5, 12
+        vpslld  ymm5, ymm5, 20
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 12
+        vpslld  ymm6, ymm6, 20
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 12
+        vpslld  ymm7, ymm7, 20
+        vpor    ymm7, ymm7, ymm8
+        vpsrld  ymm8, ymm4, 12
+        vpslld  ymm4, ymm4, 20
+        vpor    ymm4, ymm4, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x60]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x140]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0xC0]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0xE0]
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxor   ymm15, ymm15, ymm0
+        vpxor   ymm12, ymm12, ymm1
+        vpxor   ymm13, ymm13, ymm2
+        vpxor   ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT8+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm14
+        vpxor   ymm5, ymm5, ymm10
+        vpxor   ymm6, ymm6, ymm11
+        vpxor   ymm7, ymm7, ymm8
+        vpxor   ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm5, 7
+        vpslld  ymm5, ymm5, 25
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 7
+        vpslld  ymm6, ymm6, 25
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 7
+        vpslld  ymm7, ymm7, 25
+        vpor    ymm7, ymm7, ymm8
+        vpsrld  ymm8, ymm4, 7
+        vpslld  ymm4, ymm4, 25
+        vpor    ymm4, ymm4, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x160]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0xA0]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x20]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x100]
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxor   ymm12, ymm12, ymm0
+        vpxor   ymm13, ymm13, ymm1
+        vpxor   ymm14, ymm14, ymm2
+        vpxor   ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT16+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd  ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxor   ymm4, ymm4, ymm8
+        vpxor   ymm5, ymm5, ymm9
+        vpxor   ymm6, ymm6, ymm10
+        vpxor   ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm4, 12
+        vpslld  ymm4, ymm4, 20
+        vpor    ymm4, ymm4, ymm8
+        vpsrld  ymm8, ymm5, 12
+        vpslld  ymm5, ymm5, 20
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 12
+        vpslld  ymm6, ymm6, 20
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 12
+        vpslld  ymm7, ymm7, 20
+        vpor    ymm7, ymm7, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x1E0]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x120]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0xC0]
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxor   ymm12, ymm12, ymm0
+        vpxor   ymm13, ymm13, ymm1
+        vpxor   ymm14, ymm14, ymm2
+        vpxor   ymm15, ymm15, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT8+rip]
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpshufb ymm15, ymm15, ymm8
+        vpaddd  ymm8, ymm12, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxor   ymm4, ymm4, ymm8
+        vpxor   ymm5, ymm5, ymm9
+        vpxor   ymm6, ymm6, ymm10
+        vpxor   ymm7, ymm7, ymm11
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm4, 7
+        vpslld  ymm4, ymm4, 25
+        vpor    ymm4, ymm4, ymm8
+        vpsrld  ymm8, ymm5, 7
+        vpslld  ymm5, ymm5, 25
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 7
+        vpslld  ymm6, ymm6, 25
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 7
+        vpslld  ymm7, ymm7, 25
+        vpor    ymm7, ymm7, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x1C0]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x40]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x60]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0xE0]
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxor   ymm15, ymm15, ymm0
+        vpxor   ymm12, ymm12, ymm1
+        vpxor   ymm13, ymm13, ymm2
+        vpxor   ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT16+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm14
+        vpxor   ymm5, ymm5, ymm10
+        vpxor   ymm6, ymm6, ymm11
+        vpxor   ymm7, ymm7, ymm8
+        vpxor   ymm4, ymm4, ymm9
+        vmovdqa ymmword ptr [rsp+0x200], ymm8
+        vpsrld  ymm8, ymm5, 12
+        vpslld  ymm5, ymm5, 20
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 12
+        vpslld  ymm6, ymm6, 20
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 12
+        vpslld  ymm7, ymm7, 20
+        vpor    ymm7, ymm7, ymm8
+        vpsrld  ymm8, ymm4, 12
+        vpslld  ymm4, ymm4, 20
+        vpor    ymm4, ymm4, ymm8
+        vpaddd  ymm0, ymm0, ymmword ptr [rsp+0x140]
+        vpaddd  ymm1, ymm1, ymmword ptr [rsp+0x180]
+        vpaddd  ymm2, ymm2, ymmword ptr [rsp+0x80]
+        vpaddd  ymm3, ymm3, ymmword ptr [rsp+0x1A0]
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxor   ymm15, ymm15, ymm0
+        vpxor   ymm12, ymm12, ymm1
+        vpxor   ymm13, ymm13, ymm2
+        vpxor   ymm14, ymm14, ymm3
+        vbroadcasti128 ymm8, xmmword ptr [ROT8+rip]
+        vpshufb ymm15, ymm15, ymm8
+        vpshufb ymm12, ymm12, ymm8
+        vpshufb ymm13, ymm13, ymm8
+        vpshufb ymm14, ymm14, ymm8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm13, ymmword ptr [rsp+0x200]
+        vpaddd  ymm9, ymm9, ymm14
+        vpxor   ymm5, ymm5, ymm10
+        vpxor   ymm6, ymm6, ymm11
+        vpxor   ymm7, ymm7, ymm8
+        vpxor   ymm4, ymm4, ymm9
+        vpxor   ymm0, ymm0, ymm8
+        vpxor   ymm1, ymm1, ymm9
+        vpxor   ymm2, ymm2, ymm10
+        vpxor   ymm3, ymm3, ymm11
+        vpsrld  ymm8, ymm5, 7
+        vpslld  ymm5, ymm5, 25
+        vpor    ymm5, ymm5, ymm8
+        vpsrld  ymm8, ymm6, 7
+        vpslld  ymm6, ymm6, 25
+        vpor    ymm6, ymm6, ymm8
+        vpsrld  ymm8, ymm7, 7
+        vpslld  ymm7, ymm7, 25
+        vpor    ymm7, ymm7, ymm8
+        vpsrld  ymm8, ymm4, 7
+        vpslld  ymm4, ymm4, 25
+        vpor    ymm4, ymm4, ymm8
+        vpxor   ymm4, ymm4, ymm12
+        vpxor   ymm5, ymm5, ymm13
+        vpxor   ymm6, ymm6, ymm14
+        vpxor   ymm7, ymm7, ymm15
+        movzx   eax, byte ptr [rbp+0x78]
+        jne     9b
+        mov     rbx, qword ptr [rbp+0x90]
+        vunpcklps ymm8, ymm0, ymm1
+        vunpcklps ymm9, ymm2, ymm3
+        vunpckhps ymm10, ymm0, ymm1
+        vunpcklps ymm11, ymm4, ymm5
+        vunpcklps ymm0, ymm6, ymm7
+        vshufps ymm12, ymm8, ymm9, 78
+        vblendps ymm1, ymm8, ymm12, 0xCC
+        vshufps ymm8, ymm11, ymm0, 78
+        vunpckhps ymm13, ymm2, ymm3
+        vblendps ymm2, ymm11, ymm8, 0xCC
+        vblendps ymm3, ymm12, ymm9, 0xCC
+        vperm2f128 ymm12, ymm1, ymm2, 0x20
+        vmovups ymmword ptr [rbx], ymm12
+        vunpckhps ymm14, ymm4, ymm5
+        vblendps ymm4, ymm8, ymm0, 0xCC
+        vunpckhps ymm15, ymm6, ymm7
+        vperm2f128 ymm7, ymm3, ymm4, 0x20
+        vmovups ymmword ptr [rbx+0x20], ymm7
+        vshufps ymm5, ymm10, ymm13, 78
+        vblendps ymm6, ymm5, ymm13, 0xCC
+        vshufps ymm13, ymm14, ymm15, 78
+        vblendps ymm10, ymm10, ymm5, 0xCC
+        vblendps ymm14, ymm14, ymm13, 0xCC
+        vperm2f128 ymm8, ymm10, ymm14, 0x20
+        vmovups ymmword ptr [rbx+0x40], ymm8
+        vblendps ymm15, ymm13, ymm15, 0xCC
+        vperm2f128 ymm13, ymm6, ymm15, 0x20
+        vmovups ymmword ptr [rbx+0x60], ymm13
+        vperm2f128 ymm9, ymm1, ymm2, 0x31
+        vperm2f128 ymm11, ymm3, ymm4, 0x31
+        vmovups ymmword ptr [rbx+0x80], ymm9
+        vperm2f128 ymm14, ymm10, ymm14, 0x31
+        vperm2f128 ymm15, ymm6, ymm15, 0x31
+        vmovups ymmword ptr [rbx+0xA0], ymm11
+        vmovups ymmword ptr [rbx+0xC0], ymm14
+        vmovups ymmword ptr [rbx+0xE0], ymm15
+        vmovdqa ymm0, ymmword ptr [rsp+0x2A0]
+        vpaddd  ymm1, ymm0, ymmword ptr [rsp+0x220]
+        vmovdqa ymmword ptr [rsp+0x220], ymm1
+        vpxor   ymm0, ymm0, ymmword ptr [CMP_MSB_MASK+rip]
+        vpxor   ymm2, ymm1, ymmword ptr [CMP_MSB_MASK+rip]
+        vpcmpgtd ymm2, ymm0, ymm2
+        vmovdqa ymm0, ymmword ptr [rsp+0x240]
+        vpsubd  ymm2, ymm0, ymm2
+        vmovdqa ymmword ptr [rsp+0x240], ymm2
+        add     rdi, 64
+        add     rbx, 256
+        mov     qword ptr [rbp+0x90], rbx
+        sub     rsi, 8
+        cmp     rsi, 8
+        jnc     2b
+        test    rsi, rsi
+        jnz     3f
+4:
+        vzeroupper
+        vmovdqa xmm6, xmmword ptr [rsp+0x2D0]
+        vmovdqa xmm7, xmmword ptr [rsp+0x2E0]
+        vmovdqa xmm8, xmmword ptr [rsp+0x2F0]
+        vmovdqa xmm9, xmmword ptr [rsp+0x300]
+        vmovdqa xmm10, xmmword ptr [rsp+0x310]
+        vmovdqa xmm11, xmmword ptr [rsp+0x320]
+        vmovdqa xmm12, xmmword ptr [rsp+0x330]
+        vmovdqa xmm13, xmmword ptr [rsp+0x340]
+        vmovdqa xmm14, xmmword ptr [rsp+0x350]
+        vmovdqa xmm15, xmmword ptr [rsp+0x360]
+        mov     rsp, rbp
+        pop     rbp
+        pop     rbx
+        pop     rdi
+        pop     rsi
+        pop     r12
+        pop     r13
+        pop     r14
+        pop     r15
+        ret
+.p2align 5
+3:
+        mov     rbx, qword ptr [rbp+0x90]
+        mov     r15, qword ptr [rsp+0x2C0]
+        movzx   r13d, byte ptr [rbp+0x78]
+        movzx   r12d, byte ptr [rbp+0x88]
+        test    rsi, 0x4
+        je      3f
+        vbroadcasti128 ymm0, xmmword ptr [rcx]
+        vbroadcasti128 ymm1, xmmword ptr [rcx+0x10]
+        vmovdqa ymm8, ymm0
+        vmovdqa ymm9, ymm1
+        vbroadcasti128 ymm12, xmmword ptr [rsp+0x220]
+        vbroadcasti128 ymm13, xmmword ptr [rsp+0x240]
+        vpunpckldq ymm14, ymm12, ymm13
+        vpunpckhdq ymm15, ymm12, ymm13
+        vpermq  ymm14, ymm14, 0x50
+        vpermq  ymm15, ymm15, 0x50
+        vbroadcasti128 ymm12, xmmword ptr [BLAKE3_BLOCK_LEN+rip]
+        vpblendd ymm14, ymm14, ymm12, 0x44
+        vpblendd ymm15, ymm15, ymm12, 0x44
+        vmovdqa ymmword ptr [rsp], ymm14
+        vmovdqa ymmword ptr [rsp+0x20], ymm15
+        mov     r8, qword ptr [rdi]
+        mov     r9, qword ptr [rdi+0x8]
+        mov     r10, qword ptr [rdi+0x10]
+        mov     r11, qword ptr [rdi+0x18]
+        movzx   eax, byte ptr [rbp+0x80]
+        or      eax, r13d
+        xor     edx, edx
+.p2align 5
+2:
+        mov     r14d, eax
+        or      eax, r12d
+        add     rdx, 64
+        cmp     rdx, r15
+        cmovne  eax, r14d
+        mov     dword ptr [rsp+0x200], eax
+        vmovups ymm2, ymmword ptr [r8+rdx-0x40]
+        vinsertf128 ymm2, ymm2, xmmword ptr [r9+rdx-0x40], 0x01
+        vmovups ymm3, ymmword ptr [r8+rdx-0x30]
+        vinsertf128 ymm3, ymm3, xmmword ptr [r9+rdx-0x30], 0x01
+        vshufps ymm4, ymm2, ymm3, 136
+        vshufps ymm5, ymm2, ymm3, 221
+        vmovups ymm2, ymmword ptr [r8+rdx-0x20]
+        vinsertf128 ymm2, ymm2, xmmword ptr [r9+rdx-0x20], 0x01
+        vmovups ymm3, ymmword ptr [r8+rdx-0x10]
+        vinsertf128 ymm3, ymm3, xmmword ptr [r9+rdx-0x10], 0x01
+        vshufps ymm6, ymm2, ymm3, 136
+        vshufps ymm7, ymm2, ymm3, 221
+        vpshufd ymm6, ymm6, 0x93
+        vpshufd ymm7, ymm7, 0x93
+        vmovups ymm10, ymmword ptr [r10+rdx-0x40]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r11+rdx-0x40], 0x01
+        vmovups ymm11, ymmword ptr [r10+rdx-0x30]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r11+rdx-0x30], 0x01
+        vshufps ymm12, ymm10, ymm11, 136
+        vshufps ymm13, ymm10, ymm11, 221
+        vmovups ymm10, ymmword ptr [r10+rdx-0x20]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r11+rdx-0x20], 0x01
+        vmovups ymm11, ymmword ptr [r10+rdx-0x10]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r11+rdx-0x10], 0x01
+        vshufps ymm14, ymm10, ymm11, 136
+        vshufps ymm15, ymm10, ymm11, 221
+        vpshufd ymm14, ymm14, 0x93
+        vpshufd ymm15, ymm15, 0x93
+        vpbroadcastd ymm2, dword ptr [rsp+0x200]
+        vmovdqa ymm3, ymmword ptr [rsp]
+        vmovdqa ymm11, ymmword ptr [rsp+0x20]
+        vpblendd ymm3, ymm3, ymm2, 0x88
+        vpblendd ymm11, ymm11, ymm2, 0x88
+        vbroadcasti128 ymm2, xmmword ptr [BLAKE3_IV+rip]
+        vmovdqa ymm10, ymm2
+        mov     al, 7
+9:
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm8, ymm8, ymm12
+        vmovdqa ymmword ptr [rsp+0x40], ymm4
+        nop
+        vmovdqa ymmword ptr [rsp+0x60], ymm12
+        nop
+        vpaddd  ymm0, ymm0, ymm1
+        vpaddd  ymm8, ymm8, ymm9
+        vpxor   ymm3, ymm3, ymm0
+        vpxor   ymm11, ymm11, ymm8
+        vbroadcasti128 ymm4, xmmword ptr [ROT16+rip]
+        vpshufb ymm3, ymm3, ymm4
+        vpshufb ymm11, ymm11, ymm4
+        vpaddd  ymm2, ymm2, ymm3
+        vpaddd  ymm10, ymm10, ymm11
+        vpxor   ymm1, ymm1, ymm2
+        vpxor   ymm9, ymm9, ymm10
+        vpsrld  ymm4, ymm1, 12
+        vpslld  ymm1, ymm1, 20
+        vpor    ymm1, ymm1, ymm4
+        vpsrld  ymm4, ymm9, 12
+        vpslld  ymm9, ymm9, 20
+        vpor    ymm9, ymm9, ymm4
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm8, ymm8, ymm13
+        vpaddd  ymm0, ymm0, ymm1
+        vpaddd  ymm8, ymm8, ymm9
+        vmovdqa ymmword ptr [rsp+0x80], ymm5
+        vmovdqa ymmword ptr [rsp+0xA0], ymm13
+        vpxor   ymm3, ymm3, ymm0
+        vpxor   ymm11, ymm11, ymm8
+        vbroadcasti128 ymm4, xmmword ptr [ROT8+rip]
+        vpshufb ymm3, ymm3, ymm4
+        vpshufb ymm11, ymm11, ymm4
+        vpaddd  ymm2, ymm2, ymm3
+        vpaddd  ymm10, ymm10, ymm11
+        vpxor   ymm1, ymm1, ymm2
+        vpxor   ymm9, ymm9, ymm10
+        vpsrld  ymm4, ymm1, 7
+        vpslld  ymm1, ymm1, 25
+        vpor    ymm1, ymm1, ymm4
+        vpsrld  ymm4, ymm9, 7
+        vpslld  ymm9, ymm9, 25
+        vpor    ymm9, ymm9, ymm4
+        vpshufd ymm0, ymm0, 0x93
+        vpshufd ymm8, ymm8, 0x93
+        vpshufd ymm3, ymm3, 0x4E
+        vpshufd ymm11, ymm11, 0x4E
+        vpshufd ymm2, ymm2, 0x39
+        vpshufd ymm10, ymm10, 0x39
+        vpaddd  ymm0, ymm0, ymm6
+        vpaddd  ymm8, ymm8, ymm14
+        vpaddd  ymm0, ymm0, ymm1
+        vpaddd  ymm8, ymm8, ymm9
+        vpxor   ymm3, ymm3, ymm0
+        vpxor   ymm11, ymm11, ymm8
+        vbroadcasti128 ymm4, xmmword ptr [ROT16+rip]
+        vpshufb ymm3, ymm3, ymm4
+        vpshufb ymm11, ymm11, ymm4
+        vpaddd  ymm2, ymm2, ymm3
+        vpaddd  ymm10, ymm10, ymm11
+        vpxor   ymm1, ymm1, ymm2
+        vpxor   ymm9, ymm9, ymm10
+        vpsrld  ymm4, ymm1, 12
+        vpslld  ymm1, ymm1, 20
+        vpor    ymm1, ymm1, ymm4
+        vpsrld  ymm4, ymm9, 12
+        vpslld  ymm9, ymm9, 20
+        vpor    ymm9, ymm9, ymm4
+        vpaddd  ymm0, ymm0, ymm7
+        vpaddd  ymm8, ymm8, ymm15
+        vpaddd  ymm0, ymm0, ymm1
+        vpaddd  ymm8, ymm8, ymm9
+        vpxor   ymm3, ymm3, ymm0
+        vpxor   ymm11, ymm11, ymm8
+        vbroadcasti128 ymm4, xmmword ptr [ROT8+rip]
+        vpshufb ymm3, ymm3, ymm4
+        vpshufb ymm11, ymm11, ymm4
+        vpaddd  ymm2, ymm2, ymm3
+        vpaddd  ymm10, ymm10, ymm11
+        vpxor   ymm1, ymm1, ymm2
+        vpxor   ymm9, ymm9, ymm10
+        vpsrld  ymm4, ymm1, 7
+        vpslld  ymm1, ymm1, 25
+        vpor    ymm1, ymm1, ymm4
+        vpsrld  ymm4, ymm9, 7
+        vpslld  ymm9, ymm9, 25
+        vpor    ymm9, ymm9, ymm4
+        vpshufd ymm0, ymm0, 0x39
+        vpshufd ymm8, ymm8, 0x39
+        vpshufd ymm3, ymm3, 0x4E
+        vpshufd ymm11, ymm11, 0x4E
+        vpshufd ymm2, ymm2, 0x93
+        vpshufd ymm10, ymm10, 0x93
+        dec     al
+        je      9f
+        vmovdqa ymm4, ymmword ptr [rsp+0x40]
+        vmovdqa ymm5, ymmword ptr [rsp+0x80]
+        vshufps ymm12, ymm4, ymm5, 214
+        vpshufd ymm13, ymm4, 0x0F
+        vpshufd ymm4, ymm12, 0x39
+        vshufps ymm12, ymm6, ymm7, 250
+        vpblendd ymm13, ymm13, ymm12, 0xAA
+        vpunpcklqdq ymm12, ymm7, ymm5
+        vpblendd ymm12, ymm12, ymm6, 0x88
+        vpshufd ymm12, ymm12, 0x78
+        vpunpckhdq ymm5, ymm5, ymm7
+        vpunpckldq ymm6, ymm6, ymm5
+        vpshufd ymm7, ymm6, 0x1E
+        vmovdqa ymmword ptr [rsp+0x40], ymm13
+        vmovdqa ymmword ptr [rsp+0x80], ymm12
+        vmovdqa ymm12, ymmword ptr [rsp+0x60]
+        vmovdqa ymm13, ymmword ptr [rsp+0xA0]
+        vshufps ymm5, ymm12, ymm13, 214
+        vpshufd ymm6, ymm12, 0x0F
+        vpshufd ymm12, ymm5, 0x39
+        vshufps ymm5, ymm14, ymm15, 250
+        vpblendd ymm6, ymm6, ymm5, 0xAA
+        vpunpcklqdq ymm5, ymm15, ymm13
+        vpblendd ymm5, ymm5, ymm14, 0x88
+        vpshufd ymm5, ymm5, 0x78
+        vpunpckhdq ymm13, ymm13, ymm15
+        vpunpckldq ymm14, ymm14, ymm13
+        vpshufd ymm15, ymm14, 0x1E
+        vmovdqa ymm13, ymm6
+        vmovdqa ymm14, ymm5
+        vmovdqa ymm5, ymmword ptr [rsp+0x40]
+        vmovdqa ymm6, ymmword ptr [rsp+0x80]
+        jmp     9b
+9:
+        vpxor   ymm0, ymm0, ymm2
+        vpxor   ymm1, ymm1, ymm3
+        vpxor   ymm8, ymm8, ymm10
+        vpxor   ymm9, ymm9, ymm11
+        mov     eax, r13d
+        cmp     rdx, r15
+        jne     2b
+        vmovdqu xmmword ptr [rbx], xmm0
+        vmovdqu xmmword ptr [rbx+0x10], xmm1
+        vextracti128 xmmword ptr [rbx+0x20], ymm0, 0x01
+        vextracti128 xmmword ptr [rbx+0x30], ymm1, 0x01
+        vmovdqu xmmword ptr [rbx+0x40], xmm8
+        vmovdqu xmmword ptr [rbx+0x50], xmm9
+        vextracti128 xmmword ptr [rbx+0x60], ymm8, 0x01
+        vextracti128 xmmword ptr [rbx+0x70], ymm9, 0x01
+        vmovaps xmm8, xmmword ptr [rsp+0x260]
+        vmovaps xmm0, xmmword ptr [rsp+0x220]
+        vmovaps xmm1, xmmword ptr [rsp+0x230]
+        vmovaps xmm2, xmmword ptr [rsp+0x240]
+        vmovaps xmm3, xmmword ptr [rsp+0x250]
+        vblendvps xmm0, xmm0, xmm1, xmm8
+        vblendvps xmm2, xmm2, xmm3, xmm8
+        vmovaps xmmword ptr [rsp+0x220], xmm0
+        vmovaps xmmword ptr [rsp+0x240], xmm2
+        add     rbx, 128
+        add     rdi, 32
+        sub     rsi, 4
+3:
+        test    rsi, 0x2
+        je      3f
+        vbroadcasti128 ymm0, xmmword ptr [rcx]
+        vbroadcasti128 ymm1, xmmword ptr [rcx+0x10]
+        vmovd   xmm13, dword ptr [rsp+0x220]
+        vpinsrd xmm13, xmm13, dword ptr [rsp+0x240], 1
+        vpinsrd xmm13, xmm13, dword ptr [BLAKE3_BLOCK_LEN+rip], 2
+        vmovd   xmm14, dword ptr [rsp+0x224]
+        vpinsrd xmm14, xmm14, dword ptr [rsp+0x244], 1
+        vpinsrd xmm14, xmm14, dword ptr [BLAKE3_BLOCK_LEN+rip], 2
+        vinserti128 ymm13, ymm13, xmm14, 0x01
+        vbroadcasti128 ymm14, xmmword ptr [ROT16+rip]
+        vbroadcasti128 ymm15, xmmword ptr [ROT8+rip]
+        mov     r8, qword ptr [rdi]
+        mov     r9, qword ptr [rdi+0x8]
+        movzx   eax, byte ptr [rbp+0x80]
+        or      eax, r13d
+        xor     edx, edx
+.p2align 5
+2:
+        mov     r14d, eax
+        or      eax, r12d
+        add     rdx, 64
+        cmp     rdx, r15
+        cmovne  eax, r14d
+        mov     dword ptr [rsp+0x200], eax
+        vbroadcasti128 ymm2, xmmword ptr [BLAKE3_IV+rip]
+        vpbroadcastd ymm8, dword ptr [rsp+0x200]
+        vpblendd ymm3, ymm13, ymm8, 0x88
+        vmovups ymm8, ymmword ptr [r8+rdx-0x40]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r9+rdx-0x40], 0x01
+        vmovups ymm9, ymmword ptr [r8+rdx-0x30]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r9+rdx-0x30], 0x01
+        vshufps ymm4, ymm8, ymm9, 136
+        vshufps ymm5, ymm8, ymm9, 221
+        vmovups ymm8, ymmword ptr [r8+rdx-0x20]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r9+rdx-0x20], 0x01
+        vmovups ymm9, ymmword ptr [r8+rdx-0x10]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r9+rdx-0x10], 0x01
+        vshufps ymm6, ymm8, ymm9, 136
+        vshufps ymm7, ymm8, ymm9, 221
+        vpshufd ymm6, ymm6, 0x93
+        vpshufd ymm7, ymm7, 0x93
+        mov     al, 7
+9:
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm0, ymm0, ymm1
+        vpxor   ymm3, ymm3, ymm0
+        vpshufb ymm3, ymm3, ymm14
+        vpaddd  ymm2, ymm2, ymm3
+        vpxor   ymm1, ymm1, ymm2
+        vpsrld  ymm8, ymm1, 12
+        vpslld  ymm1, ymm1, 20
+        vpor    ymm1, ymm1, ymm8
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm0, ymm0, ymm1
+        vpxor   ymm3, ymm3, ymm0
+        vpshufb ymm3, ymm3, ymm15
+        vpaddd  ymm2, ymm2, ymm3
+        vpxor   ymm1, ymm1, ymm2
+        vpsrld  ymm8, ymm1, 7
+        vpslld  ymm1, ymm1, 25
+        vpor    ymm1, ymm1, ymm8
+        vpshufd ymm0, ymm0, 0x93
+        vpshufd ymm3, ymm3, 0x4E
+        vpshufd ymm2, ymm2, 0x39
+        vpaddd  ymm0, ymm0, ymm6
+        vpaddd  ymm0, ymm0, ymm1
+        vpxor   ymm3, ymm3, ymm0
+        vpshufb ymm3, ymm3, ymm14
+        vpaddd  ymm2, ymm2, ymm3
+        vpxor   ymm1, ymm1, ymm2
+        vpsrld  ymm8, ymm1, 12
+        vpslld  ymm1, ymm1, 20
+        vpor    ymm1, ymm1, ymm8
+        vpaddd  ymm0, ymm0, ymm7
+        vpaddd  ymm0, ymm0, ymm1
+        vpxor   ymm3, ymm3, ymm0
+        vpshufb ymm3, ymm3, ymm15
+        vpaddd  ymm2, ymm2, ymm3
+        vpxor   ymm1, ymm1, ymm2
+        vpsrld  ymm8, ymm1, 7
+        vpslld  ymm1, ymm1, 25
+        vpor    ymm1, ymm1, ymm8
+        vpshufd ymm0, ymm0, 0x39
+        vpshufd ymm3, ymm3, 0x4E
+        vpshufd ymm2, ymm2, 0x93
+        dec     al
+        jz      9f
+        vshufps ymm8, ymm4, ymm5, 214
+        vpshufd ymm9, ymm4, 0x0F
+        vpshufd ymm4, ymm8, 0x39
+        vshufps ymm8, ymm6, ymm7, 250
+        vpblendd ymm9, ymm9, ymm8, 0xAA
+        vpunpcklqdq ymm8, ymm7, ymm5
+        vpblendd ymm8, ymm8, ymm6, 0x88
+        vpshufd ymm8, ymm8, 0x78
+        vpunpckhdq ymm5, ymm5, ymm7
+        vpunpckldq ymm6, ymm6, ymm5
+        vpshufd ymm7, ymm6, 0x1E
+        vmovdqa ymm5, ymm9
+        vmovdqa ymm6, ymm8
+        jmp     9b
+9:
+        vpxor   ymm0, ymm0, ymm2
+        vpxor   ymm1, ymm1, ymm3
+        mov     eax, r13d
+        cmp     rdx, r15
+        jne     2b
+        vmovdqu xmmword ptr [rbx], xmm0
+        vmovdqu xmmword ptr [rbx+0x10], xmm1
+        vextracti128 xmmword ptr [rbx+0x20], ymm0, 0x01
+        vextracti128 xmmword ptr [rbx+0x30], ymm1, 0x01
+        vmovaps ymm8, ymmword ptr [rsp+0x260]
+        vmovaps ymm0, ymmword ptr [rsp+0x220]
+        vmovups ymm1, ymmword ptr [rsp+0x228]
+        vmovaps ymm2, ymmword ptr [rsp+0x240]
+        vmovups ymm3, ymmword ptr [rsp+0x248]
+        vblendvps ymm0, ymm0, ymm1, ymm8
+        vblendvps ymm2, ymm2, ymm3, ymm8
+        vmovaps ymmword ptr [rsp+0x220], ymm0
+        vmovaps ymmword ptr [rsp+0x240], ymm2
+        add     rbx, 64
+        add     rdi, 16
+        sub     rsi, 2
+3:
+        test    rsi, 0x1
+        je      4b
+        vmovdqu xmm0, xmmword ptr [rcx]
+        vmovdqu xmm1, xmmword ptr [rcx+0x10]
+        vmovd   xmm3, dword ptr [rsp+0x220]
+        vpinsrd xmm3, xmm3, dword ptr [rsp+0x240], 1
+        vpinsrd xmm13, xmm3, dword ptr [BLAKE3_BLOCK_LEN+rip], 2
+        vmovdqa xmm14, xmmword ptr [ROT16+rip]
+        vmovdqa xmm15, xmmword ptr [ROT8+rip]
+        mov     r8, qword ptr [rdi]
+        movzx   eax, byte ptr [rbp+0x80]
+        or      eax, r13d
+        xor     edx, edx
+.p2align 5
+2:
+        mov     r14d, eax
+        or      eax, r12d
+        add     rdx, 64
+        cmp     rdx, r15
+        cmovne  eax, r14d
+        vmovdqa xmm2, xmmword ptr [BLAKE3_IV+rip]
+        vmovdqa xmm3, xmm13
+        vpinsrd xmm3, xmm3, eax, 3
+        vmovups xmm8, xmmword ptr [r8+rdx-0x40]
+        vmovups xmm9, xmmword ptr [r8+rdx-0x30]
+        vshufps xmm4, xmm8, xmm9, 136
+        vshufps xmm5, xmm8, xmm9, 221
+        vmovups xmm8, xmmword ptr [r8+rdx-0x20]
+        vmovups xmm9, xmmword ptr [r8+rdx-0x10]
+        vshufps xmm6, xmm8, xmm9, 136
+        vshufps xmm7, xmm8, xmm9, 221
+        vpshufd xmm6, xmm6, 0x93
+        vpshufd xmm7, xmm7, 0x93
+        mov     al, 7
+9:
+        vpaddd  xmm0, xmm0, xmm4
+        vpaddd  xmm0, xmm0, xmm1
+        vpxor   xmm3, xmm3, xmm0
+        vpshufb xmm3, xmm3, xmm14
+        vpaddd  xmm2, xmm2, xmm3
+        vpxor   xmm1, xmm1, xmm2
+        vpsrld  xmm8, xmm1, 12
+        vpslld  xmm1, xmm1, 20
+        vpor    xmm1, xmm1, xmm8
+        vpaddd  xmm0, xmm0, xmm5
+        vpaddd  xmm0, xmm0, xmm1
+        vpxor   xmm3, xmm3, xmm0
+        vpshufb xmm3, xmm3, xmm15
+        vpaddd  xmm2, xmm2, xmm3
+        vpxor   xmm1, xmm1, xmm2
+        vpsrld  xmm8, xmm1, 7
+        vpslld  xmm1, xmm1, 25
+        vpor    xmm1, xmm1, xmm8
+        vpshufd xmm0, xmm0, 0x93
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x39
+        vpaddd  xmm0, xmm0, xmm6
+        vpaddd  xmm0, xmm0, xmm1
+        vpxor   xmm3, xmm3, xmm0
+        vpshufb xmm3, xmm3, xmm14
+        vpaddd  xmm2, xmm2, xmm3
+        vpxor   xmm1, xmm1, xmm2
+        vpsrld  xmm8, xmm1, 12
+        vpslld  xmm1, xmm1, 20
+        vpor    xmm1, xmm1, xmm8
+        vpaddd  xmm0, xmm0, xmm7
+        vpaddd  xmm0, xmm0, xmm1
+        vpxor   xmm3, xmm3, xmm0
+        vpshufb xmm3, xmm3, xmm15
+        vpaddd  xmm2, xmm2, xmm3
+        vpxor   xmm1, xmm1, xmm2
+        vpsrld  xmm8, xmm1, 7
+        vpslld  xmm1, xmm1, 25
+        vpor    xmm1, xmm1, xmm8
+        vpshufd xmm0, xmm0, 0x39
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x93
+        dec     al
+        jz      9f
+        vshufps xmm8, xmm4, xmm5, 214
+        vpshufd xmm9, xmm4, 0x0F
+        vpshufd xmm4, xmm8, 0x39
+        vshufps xmm8, xmm6, xmm7, 250
+        vpblendd xmm9, xmm9, xmm8, 0xAA
+        vpunpcklqdq xmm8, xmm7, xmm5
+        vpblendd xmm8, xmm8, xmm6, 0x88
+        vpshufd xmm8, xmm8, 0x78
+        vpunpckhdq xmm5, xmm5, xmm7
+        vpunpckldq xmm6, xmm6, xmm5
+        vpshufd xmm7, xmm6, 0x1E
+        vmovdqa xmm5, xmm9
+        vmovdqa xmm6, xmm8
+        jmp     9b
+9:
+        vpxor   xmm0, xmm0, xmm2
+        vpxor   xmm1, xmm1, xmm3
+        mov     eax, r13d
+        cmp     rdx, r15
+        jne     2b
+        vmovdqu xmmword ptr [rbx], xmm0
+        vmovdqu xmmword ptr [rbx+0x10], xmm1
+        jmp     4b
+
+.section .rdata
+.p2align  6
+ADD0:
+        .long  0, 1, 2, 3, 4, 5, 6, 7
+ADD1:
+        .long  8, 8, 8, 8, 8, 8, 8, 8
+BLAKE3_IV_0:
+        .long  0x6A09E667, 0x6A09E667, 0x6A09E667, 0x6A09E667
+        .long  0x6A09E667, 0x6A09E667, 0x6A09E667, 0x6A09E667
+BLAKE3_IV_1:
+        .long  0xBB67AE85, 0xBB67AE85, 0xBB67AE85, 0xBB67AE85
+        .long  0xBB67AE85, 0xBB67AE85, 0xBB67AE85, 0xBB67AE85
+BLAKE3_IV_2:
+        .long  0x3C6EF372, 0x3C6EF372, 0x3C6EF372, 0x3C6EF372
+        .long  0x3C6EF372, 0x3C6EF372, 0x3C6EF372, 0x3C6EF372
+BLAKE3_IV_3:
+        .long  0xA54FF53A, 0xA54FF53A, 0xA54FF53A, 0xA54FF53A
+        .long  0xA54FF53A, 0xA54FF53A, 0xA54FF53A, 0xA54FF53A
+BLAKE3_BLOCK_LEN:
+        .long  0x00000040, 0x00000040, 0x00000040, 0x00000040
+        .long  0x00000040, 0x00000040, 0x00000040, 0x00000040
+ROT16:
+        .byte  2, 3, 0, 1, 6, 7, 4, 5, 10, 11, 8, 9, 14, 15, 12, 13
+ROT8:
+        .byte  1, 2, 3, 0, 5, 6, 7, 4, 9, 10, 11, 8, 13, 14, 15, 12
+CMP_MSB_MASK:
+        .long  0x80000000, 0x80000000, 0x80000000, 0x80000000
+        .long  0x80000000, 0x80000000, 0x80000000, 0x80000000
+BLAKE3_IV:
+        .long  0x6A09E667, 0xBB67AE85, 0x3C6EF372, 0xA54FF53A
+
diff --git a/ext/blake3-smol/src/asm/blake3_avx512_x86-64_unix.S b/ext/blake3-smol/src/asm/blake3_avx512_x86-64_unix.S
new file mode 100644 (file)
index 0000000..a4aec17
--- /dev/null
@@ -0,0 +1,2579 @@
+# 0 "blake3-avx512/src/blake3_avx512_x86-64_unix.S"
+# 0 "<built-in>"
+# 0 "<command-line>"
+# 1 "/usr/include/stdc-predef.h" 1 3 4
+# 0 "<command-line>" 2
+# 1 "blake3-avx512/src/blake3_avx512_x86-64_unix.S"
+
+.section .note.GNU-stack,"",%progbits
+# 15 "blake3-avx512/src/blake3_avx512_x86-64_unix.S"
+.global _blake3_hash_many_avx512
+.global blake3_hash_many_avx512
+.global blake3_compress_in_place_avx512
+.global _blake3_compress_in_place_avx512
+.global blake3_compress_xof_avx512
+.global _blake3_compress_xof_avx512
+
+
+
+
+.section .text
+
+.p2align 6
+_blake3_hash_many_avx512:
+blake3_hash_many_avx512:
+       
+        push r15
+        push r14
+        push r13
+        push r12
+        push rbx
+        push rbp
+        mov rbp, rsp
+        sub rsp, 144
+        and rsp, 0xFFFFFFFFFFFFFFC0
+        neg r9
+        kmovw k1, r9d
+        vmovd xmm0, r8d
+        vpbroadcastd ymm0, xmm0
+        shr r8, 32
+        vmovd xmm1, r8d
+        vpbroadcastd ymm1, xmm1
+        vmovdqa ymm4, ymm1
+        vmovdqa ymm5, ymm1
+        vpaddd ymm2, ymm0, ymmword ptr [202f+rip]
+        vpaddd ymm3, ymm0, ymmword ptr [202f+32+rip]
+        vpcmpltud k2, ymm2, ymm0
+        vpcmpltud k3, ymm3, ymm0
+        vpaddd ymm4 {{k2}}, ymm4, dword ptr [203f+rip] {{1to8}}
+        vpaddd ymm5 {{k3}}, ymm5, dword ptr [203f+rip] {{1to8}}
+        knotw k2, k1
+        vmovdqa32 ymm2 {{k2}}, ymm0
+        vmovdqa32 ymm3 {{k2}}, ymm0
+        vmovdqa32 ymm4 {{k2}}, ymm1
+        vmovdqa32 ymm5 {{k2}}, ymm1
+        vmovdqa ymmword ptr [rsp], ymm2
+        vmovdqa ymmword ptr [rsp+0x1*0x20], ymm3
+        vmovdqa ymmword ptr [rsp+0x2*0x20], ymm4
+        vmovdqa ymmword ptr [rsp+0x3*0x20], ymm5
+        shl rdx, 6
+        mov qword ptr [rsp+0x80], rdx
+        cmp rsi, 16
+        jc 3f
+2:
+        vpbroadcastd zmm0, dword ptr [rcx]
+        vpbroadcastd zmm1, dword ptr [rcx+0x1*0x4]
+        vpbroadcastd zmm2, dword ptr [rcx+0x2*0x4]
+        vpbroadcastd zmm3, dword ptr [rcx+0x3*0x4]
+        vpbroadcastd zmm4, dword ptr [rcx+0x4*0x4]
+        vpbroadcastd zmm5, dword ptr [rcx+0x5*0x4]
+        vpbroadcastd zmm6, dword ptr [rcx+0x6*0x4]
+        vpbroadcastd zmm7, dword ptr [rcx+0x7*0x4]
+        movzx eax, byte ptr [rbp+0x38]
+        movzx ebx, byte ptr [rbp+0x40]
+        or eax, ebx
+        xor edx, edx
+.p2align 5
+9:
+        movzx ebx, byte ptr [rbp+0x48]
+        or ebx, eax
+        add rdx, 64
+        cmp rdx, qword ptr [rsp+0x80]
+        cmove eax, ebx
+        mov dword ptr [rsp+0x88], eax
+        mov r8, qword ptr [rdi]
+        mov r9, qword ptr [rdi+0x8]
+        mov r10, qword ptr [rdi+0x10]
+        mov r11, qword ptr [rdi+0x18]
+        mov r12, qword ptr [rdi+0x40]
+        mov r13, qword ptr [rdi+0x48]
+        mov r14, qword ptr [rdi+0x50]
+        mov r15, qword ptr [rdi+0x58]
+        vmovdqu32 ymm16, ymmword ptr [rdx+r8-0x2*0x20]
+        vinserti64x4 zmm16, zmm16, ymmword ptr [rdx+r12-0x2*0x20], 0x01
+        vmovdqu32 ymm17, ymmword ptr [rdx+r9-0x2*0x20]
+        vinserti64x4 zmm17, zmm17, ymmword ptr [rdx+r13-0x2*0x20], 0x01
+        vpunpcklqdq zmm8, zmm16, zmm17
+        vpunpckhqdq zmm9, zmm16, zmm17
+        vmovdqu32 ymm18, ymmword ptr [rdx+r10-0x2*0x20]
+        vinserti64x4 zmm18, zmm18, ymmword ptr [rdx+r14-0x2*0x20], 0x01
+        vmovdqu32 ymm19, ymmword ptr [rdx+r11-0x2*0x20]
+        vinserti64x4 zmm19, zmm19, ymmword ptr [rdx+r15-0x2*0x20], 0x01
+        vpunpcklqdq zmm10, zmm18, zmm19
+        vpunpckhqdq zmm11, zmm18, zmm19
+        mov r8, qword ptr [rdi+0x20]
+        mov r9, qword ptr [rdi+0x28]
+        mov r10, qword ptr [rdi+0x30]
+        mov r11, qword ptr [rdi+0x38]
+        mov r12, qword ptr [rdi+0x60]
+        mov r13, qword ptr [rdi+0x68]
+        mov r14, qword ptr [rdi+0x70]
+        mov r15, qword ptr [rdi+0x78]
+        vmovdqu32 ymm16, ymmword ptr [rdx+r8-0x2*0x20]
+        vinserti64x4 zmm16, zmm16, ymmword ptr [rdx+r12-0x2*0x20], 0x01
+        vmovdqu32 ymm17, ymmword ptr [rdx+r9-0x2*0x20]
+        vinserti64x4 zmm17, zmm17, ymmword ptr [rdx+r13-0x2*0x20], 0x01
+        vpunpcklqdq zmm12, zmm16, zmm17
+        vpunpckhqdq zmm13, zmm16, zmm17
+        vmovdqu32 ymm18, ymmword ptr [rdx+r10-0x2*0x20]
+        vinserti64x4 zmm18, zmm18, ymmword ptr [rdx+r14-0x2*0x20], 0x01
+        vmovdqu32 ymm19, ymmword ptr [rdx+r11-0x2*0x20]
+        vinserti64x4 zmm19, zmm19, ymmword ptr [rdx+r15-0x2*0x20], 0x01
+        vpunpcklqdq zmm14, zmm18, zmm19
+        vpunpckhqdq zmm15, zmm18, zmm19
+        vmovdqa32 zmm27, zmmword ptr [200f+rip]
+        vmovdqa32 zmm31, zmmword ptr [201f+rip]
+        vshufps zmm16, zmm8, zmm10, 136
+        vshufps zmm17, zmm12, zmm14, 136
+        vmovdqa32 zmm20, zmm16
+        vpermt2d zmm16, zmm27, zmm17
+        vpermt2d zmm20, zmm31, zmm17
+        vshufps zmm17, zmm8, zmm10, 221
+        vshufps zmm30, zmm12, zmm14, 221
+        vmovdqa32 zmm21, zmm17
+        vpermt2d zmm17, zmm27, zmm30
+        vpermt2d zmm21, zmm31, zmm30
+        vshufps zmm18, zmm9, zmm11, 136
+        vshufps zmm8, zmm13, zmm15, 136
+        vmovdqa32 zmm22, zmm18
+        vpermt2d zmm18, zmm27, zmm8
+        vpermt2d zmm22, zmm31, zmm8
+        vshufps zmm19, zmm9, zmm11, 221
+        vshufps zmm8, zmm13, zmm15, 221
+        vmovdqa32 zmm23, zmm19
+        vpermt2d zmm19, zmm27, zmm8
+        vpermt2d zmm23, zmm31, zmm8
+        mov r8, qword ptr [rdi]
+        mov r9, qword ptr [rdi+0x8]
+        mov r10, qword ptr [rdi+0x10]
+        mov r11, qword ptr [rdi+0x18]
+        mov r12, qword ptr [rdi+0x40]
+        mov r13, qword ptr [rdi+0x48]
+        mov r14, qword ptr [rdi+0x50]
+        mov r15, qword ptr [rdi+0x58]
+        vmovdqu32 ymm24, ymmword ptr [r8+rdx-0x1*0x20]
+        vinserti64x4 zmm24, zmm24, ymmword ptr [r12+rdx-0x1*0x20], 0x01
+        vmovdqu32 ymm25, ymmword ptr [r9+rdx-0x1*0x20]
+        vinserti64x4 zmm25, zmm25, ymmword ptr [r13+rdx-0x1*0x20], 0x01
+        vpunpcklqdq zmm8, zmm24, zmm25
+        vpunpckhqdq zmm9, zmm24, zmm25
+        vmovdqu32 ymm24, ymmword ptr [r10+rdx-0x1*0x20]
+        vinserti64x4 zmm24, zmm24, ymmword ptr [r14+rdx-0x1*0x20], 0x01
+        vmovdqu32 ymm25, ymmword ptr [r11+rdx-0x1*0x20]
+        vinserti64x4 zmm25, zmm25, ymmword ptr [r15+rdx-0x1*0x20], 0x01
+        vpunpcklqdq zmm10, zmm24, zmm25
+        vpunpckhqdq zmm11, zmm24, zmm25
+        prefetcht0 [r8+rdx+0x80]
+        prefetcht0 [r12+rdx+0x80]
+        prefetcht0 [r9+rdx+0x80]
+        prefetcht0 [r13+rdx+0x80]
+        prefetcht0 [r10+rdx+0x80]
+        prefetcht0 [r14+rdx+0x80]
+        prefetcht0 [r11+rdx+0x80]
+        prefetcht0 [r15+rdx+0x80]
+        mov r8, qword ptr [rdi+0x20]
+        mov r9, qword ptr [rdi+0x28]
+        mov r10, qword ptr [rdi+0x30]
+        mov r11, qword ptr [rdi+0x38]
+        mov r12, qword ptr [rdi+0x60]
+        mov r13, qword ptr [rdi+0x68]
+        mov r14, qword ptr [rdi+0x70]
+        mov r15, qword ptr [rdi+0x78]
+        vmovdqu32 ymm24, ymmword ptr [r8+rdx-0x1*0x20]
+        vinserti64x4 zmm24, zmm24, ymmword ptr [r12+rdx-0x1*0x20], 0x01
+        vmovdqu32 ymm25, ymmword ptr [r9+rdx-0x1*0x20]
+        vinserti64x4 zmm25, zmm25, ymmword ptr [r13+rdx-0x1*0x20], 0x01
+        vpunpcklqdq zmm12, zmm24, zmm25
+        vpunpckhqdq zmm13, zmm24, zmm25
+        vmovdqu32 ymm24, ymmword ptr [r10+rdx-0x1*0x20]
+        vinserti64x4 zmm24, zmm24, ymmword ptr [r14+rdx-0x1*0x20], 0x01
+        vmovdqu32 ymm25, ymmword ptr [r11+rdx-0x1*0x20]
+        vinserti64x4 zmm25, zmm25, ymmword ptr [r15+rdx-0x1*0x20], 0x01
+        vpunpcklqdq zmm14, zmm24, zmm25
+        vpunpckhqdq zmm15, zmm24, zmm25
+        prefetcht0 [r8+rdx+0x80]
+        prefetcht0 [r12+rdx+0x80]
+        prefetcht0 [r9+rdx+0x80]
+        prefetcht0 [r13+rdx+0x80]
+        prefetcht0 [r10+rdx+0x80]
+        prefetcht0 [r14+rdx+0x80]
+        prefetcht0 [r11+rdx+0x80]
+        prefetcht0 [r15+rdx+0x80]
+        vshufps zmm24, zmm8, zmm10, 136
+        vshufps zmm30, zmm12, zmm14, 136
+        vmovdqa32 zmm28, zmm24
+        vpermt2d zmm24, zmm27, zmm30
+        vpermt2d zmm28, zmm31, zmm30
+        vshufps zmm25, zmm8, zmm10, 221
+        vshufps zmm30, zmm12, zmm14, 221
+        vmovdqa32 zmm29, zmm25
+        vpermt2d zmm25, zmm27, zmm30
+        vpermt2d zmm29, zmm31, zmm30
+        vshufps zmm26, zmm9, zmm11, 136
+        vshufps zmm8, zmm13, zmm15, 136
+        vmovdqa32 zmm30, zmm26
+        vpermt2d zmm26, zmm27, zmm8
+        vpermt2d zmm30, zmm31, zmm8
+        vshufps zmm8, zmm9, zmm11, 221
+        vshufps zmm10, zmm13, zmm15, 221
+        vpermi2d zmm27, zmm8, zmm10
+        vpermi2d zmm31, zmm8, zmm10
+        vpbroadcastd zmm8, dword ptr [207f+rip]
+        vpbroadcastd zmm9, dword ptr [208f+rip]
+        vpbroadcastd zmm10, dword ptr [209f+rip]
+        vpbroadcastd zmm11, dword ptr [210f+rip]
+        vmovdqa32 zmm12, zmmword ptr [rsp]
+        vmovdqa32 zmm13, zmmword ptr [rsp+0x1*0x40]
+        vpbroadcastd zmm14, dword ptr [205f+rip]
+        vpbroadcastd zmm15, dword ptr [rsp+0x22*0x4]
+        vpaddd zmm0, zmm0, zmm16
+        vpaddd zmm1, zmm1, zmm18
+        vpaddd zmm2, zmm2, zmm20
+        vpaddd zmm3, zmm3, zmm22
+        vpaddd zmm0, zmm0, zmm4
+        vpaddd zmm1, zmm1, zmm5
+        vpaddd zmm2, zmm2, zmm6
+        vpaddd zmm3, zmm3, zmm7
+        vpxord zmm12, zmm12, zmm0
+        vpxord zmm13, zmm13, zmm1
+        vpxord zmm14, zmm14, zmm2
+        vpxord zmm15, zmm15, zmm3
+        vprord zmm12, zmm12, 16
+        vprord zmm13, zmm13, 16
+        vprord zmm14, zmm14, 16
+        vprord zmm15, zmm15, 16
+        vpaddd zmm8, zmm8, zmm12
+        vpaddd zmm9, zmm9, zmm13
+        vpaddd zmm10, zmm10, zmm14
+        vpaddd zmm11, zmm11, zmm15
+        vpxord zmm4, zmm4, zmm8
+        vpxord zmm5, zmm5, zmm9
+        vpxord zmm6, zmm6, zmm10
+        vpxord zmm7, zmm7, zmm11
+        vprord zmm4, zmm4, 12
+        vprord zmm5, zmm5, 12
+        vprord zmm6, zmm6, 12
+        vprord zmm7, zmm7, 12
+        vpaddd zmm0, zmm0, zmm17
+        vpaddd zmm1, zmm1, zmm19
+        vpaddd zmm2, zmm2, zmm21
+        vpaddd zmm3, zmm3, zmm23
+        vpaddd zmm0, zmm0, zmm4
+        vpaddd zmm1, zmm1, zmm5
+        vpaddd zmm2, zmm2, zmm6
+        vpaddd zmm3, zmm3, zmm7
+        vpxord zmm12, zmm12, zmm0
+        vpxord zmm13, zmm13, zmm1
+        vpxord zmm14, zmm14, zmm2
+        vpxord zmm15, zmm15, zmm3
+        vprord zmm12, zmm12, 8
+        vprord zmm13, zmm13, 8
+        vprord zmm14, zmm14, 8
+        vprord zmm15, zmm15, 8
+        vpaddd zmm8, zmm8, zmm12
+        vpaddd zmm9, zmm9, zmm13
+        vpaddd zmm10, zmm10, zmm14
+        vpaddd zmm11, zmm11, zmm15
+        vpxord zmm4, zmm4, zmm8
+        vpxord zmm5, zmm5, zmm9
+        vpxord zmm6, zmm6, zmm10
+        vpxord zmm7, zmm7, zmm11
+        vprord zmm4, zmm4, 7
+        vprord zmm5, zmm5, 7
+        vprord zmm6, zmm6, 7
+        vprord zmm7, zmm7, 7
+        vpaddd zmm0, zmm0, zmm24
+        vpaddd zmm1, zmm1, zmm26
+        vpaddd zmm2, zmm2, zmm28
+        vpaddd zmm3, zmm3, zmm30
+        vpaddd zmm0, zmm0, zmm5
+        vpaddd zmm1, zmm1, zmm6
+        vpaddd zmm2, zmm2, zmm7
+        vpaddd zmm3, zmm3, zmm4
+        vpxord zmm15, zmm15, zmm0
+        vpxord zmm12, zmm12, zmm1
+        vpxord zmm13, zmm13, zmm2
+        vpxord zmm14, zmm14, zmm3
+        vprord zmm15, zmm15, 16
+        vprord zmm12, zmm12, 16
+        vprord zmm13, zmm13, 16
+        vprord zmm14, zmm14, 16
+        vpaddd zmm10, zmm10, zmm15
+        vpaddd zmm11, zmm11, zmm12
+        vpaddd zmm8, zmm8, zmm13
+        vpaddd zmm9, zmm9, zmm14
+        vpxord zmm5, zmm5, zmm10
+        vpxord zmm6, zmm6, zmm11
+        vpxord zmm7, zmm7, zmm8
+        vpxord zmm4, zmm4, zmm9
+        vprord zmm5, zmm5, 12
+        vprord zmm6, zmm6, 12
+        vprord zmm7, zmm7, 12
+        vprord zmm4, zmm4, 12
+        vpaddd zmm0, zmm0, zmm25
+        vpaddd zmm1, zmm1, zmm27
+        vpaddd zmm2, zmm2, zmm29
+        vpaddd zmm3, zmm3, zmm31
+        vpaddd zmm0, zmm0, zmm5
+        vpaddd zmm1, zmm1, zmm6
+        vpaddd zmm2, zmm2, zmm7
+        vpaddd zmm3, zmm3, zmm4
+        vpxord zmm15, zmm15, zmm0
+        vpxord zmm12, zmm12, zmm1
+        vpxord zmm13, zmm13, zmm2
+        vpxord zmm14, zmm14, zmm3
+        vprord zmm15, zmm15, 8
+        vprord zmm12, zmm12, 8
+        vprord zmm13, zmm13, 8
+        vprord zmm14, zmm14, 8
+        vpaddd zmm10, zmm10, zmm15
+        vpaddd zmm11, zmm11, zmm12
+        vpaddd zmm8, zmm8, zmm13
+        vpaddd zmm9, zmm9, zmm14
+        vpxord zmm5, zmm5, zmm10
+        vpxord zmm6, zmm6, zmm11
+        vpxord zmm7, zmm7, zmm8
+        vpxord zmm4, zmm4, zmm9
+        vprord zmm5, zmm5, 7
+        vprord zmm6, zmm6, 7
+        vprord zmm7, zmm7, 7
+        vprord zmm4, zmm4, 7
+        vpaddd zmm0, zmm0, zmm18
+        vpaddd zmm1, zmm1, zmm19
+        vpaddd zmm2, zmm2, zmm23
+        vpaddd zmm3, zmm3, zmm20
+        vpaddd zmm0, zmm0, zmm4
+        vpaddd zmm1, zmm1, zmm5
+        vpaddd zmm2, zmm2, zmm6
+        vpaddd zmm3, zmm3, zmm7
+        vpxord zmm12, zmm12, zmm0
+        vpxord zmm13, zmm13, zmm1
+        vpxord zmm14, zmm14, zmm2
+        vpxord zmm15, zmm15, zmm3
+        vprord zmm12, zmm12, 16
+        vprord zmm13, zmm13, 16
+        vprord zmm14, zmm14, 16
+        vprord zmm15, zmm15, 16
+        vpaddd zmm8, zmm8, zmm12
+        vpaddd zmm9, zmm9, zmm13
+        vpaddd zmm10, zmm10, zmm14
+        vpaddd zmm11, zmm11, zmm15
+        vpxord zmm4, zmm4, zmm8
+        vpxord zmm5, zmm5, zmm9
+        vpxord zmm6, zmm6, zmm10
+        vpxord zmm7, zmm7, zmm11
+        vprord zmm4, zmm4, 12
+        vprord zmm5, zmm5, 12
+        vprord zmm6, zmm6, 12
+        vprord zmm7, zmm7, 12
+        vpaddd zmm0, zmm0, zmm22
+        vpaddd zmm1, zmm1, zmm26
+        vpaddd zmm2, zmm2, zmm16
+        vpaddd zmm3, zmm3, zmm29
+        vpaddd zmm0, zmm0, zmm4
+        vpaddd zmm1, zmm1, zmm5
+        vpaddd zmm2, zmm2, zmm6
+        vpaddd zmm3, zmm3, zmm7
+        vpxord zmm12, zmm12, zmm0
+        vpxord zmm13, zmm13, zmm1
+        vpxord zmm14, zmm14, zmm2
+        vpxord zmm15, zmm15, zmm3
+        vprord zmm12, zmm12, 8
+        vprord zmm13, zmm13, 8
+        vprord zmm14, zmm14, 8
+        vprord zmm15, zmm15, 8
+        vpaddd zmm8, zmm8, zmm12
+        vpaddd zmm9, zmm9, zmm13
+        vpaddd zmm10, zmm10, zmm14
+        vpaddd zmm11, zmm11, zmm15
+        vpxord zmm4, zmm4, zmm8
+        vpxord zmm5, zmm5, zmm9
+        vpxord zmm6, zmm6, zmm10
+        vpxord zmm7, zmm7, zmm11
+        vprord zmm4, zmm4, 7
+        vprord zmm5, zmm5, 7
+        vprord zmm6, zmm6, 7
+        vprord zmm7, zmm7, 7
+        vpaddd zmm0, zmm0, zmm17
+        vpaddd zmm1, zmm1, zmm28
+        vpaddd zmm2, zmm2, zmm25
+        vpaddd zmm3, zmm3, zmm31
+        vpaddd zmm0, zmm0, zmm5
+        vpaddd zmm1, zmm1, zmm6
+        vpaddd zmm2, zmm2, zmm7
+        vpaddd zmm3, zmm3, zmm4
+        vpxord zmm15, zmm15, zmm0
+        vpxord zmm12, zmm12, zmm1
+        vpxord zmm13, zmm13, zmm2
+        vpxord zmm14, zmm14, zmm3
+        vprord zmm15, zmm15, 16
+        vprord zmm12, zmm12, 16
+        vprord zmm13, zmm13, 16
+        vprord zmm14, zmm14, 16
+        vpaddd zmm10, zmm10, zmm15
+        vpaddd zmm11, zmm11, zmm12
+        vpaddd zmm8, zmm8, zmm13
+        vpaddd zmm9, zmm9, zmm14
+        vpxord zmm5, zmm5, zmm10
+        vpxord zmm6, zmm6, zmm11
+        vpxord zmm7, zmm7, zmm8
+        vpxord zmm4, zmm4, zmm9
+        vprord zmm5, zmm5, 12
+        vprord zmm6, zmm6, 12
+        vprord zmm7, zmm7, 12
+        vprord zmm4, zmm4, 12
+        vpaddd zmm0, zmm0, zmm27
+        vpaddd zmm1, zmm1, zmm21
+        vpaddd zmm2, zmm2, zmm30
+        vpaddd zmm3, zmm3, zmm24
+        vpaddd zmm0, zmm0, zmm5
+        vpaddd zmm1, zmm1, zmm6
+        vpaddd zmm2, zmm2, zmm7
+        vpaddd zmm3, zmm3, zmm4
+        vpxord zmm15, zmm15, zmm0
+        vpxord zmm12, zmm12, zmm1
+        vpxord zmm13, zmm13, zmm2
+        vpxord zmm14, zmm14, zmm3
+        vprord zmm15, zmm15, 8
+        vprord zmm12, zmm12, 8
+        vprord zmm13, zmm13, 8
+        vprord zmm14, zmm14, 8
+        vpaddd zmm10, zmm10, zmm15
+        vpaddd zmm11, zmm11, zmm12
+        vpaddd zmm8, zmm8, zmm13
+        vpaddd zmm9, zmm9, zmm14
+        vpxord zmm5, zmm5, zmm10
+        vpxord zmm6, zmm6, zmm11
+        vpxord zmm7, zmm7, zmm8
+        vpxord zmm4, zmm4, zmm9
+        vprord zmm5, zmm5, 7
+        vprord zmm6, zmm6, 7
+        vprord zmm7, zmm7, 7
+        vprord zmm4, zmm4, 7
+        vpaddd zmm0, zmm0, zmm19
+        vpaddd zmm1, zmm1, zmm26
+        vpaddd zmm2, zmm2, zmm29
+        vpaddd zmm3, zmm3, zmm23
+        vpaddd zmm0, zmm0, zmm4
+        vpaddd zmm1, zmm1, zmm5
+        vpaddd zmm2, zmm2, zmm6
+        vpaddd zmm3, zmm3, zmm7
+        vpxord zmm12, zmm12, zmm0
+        vpxord zmm13, zmm13, zmm1
+        vpxord zmm14, zmm14, zmm2
+        vpxord zmm15, zmm15, zmm3
+        vprord zmm12, zmm12, 16
+        vprord zmm13, zmm13, 16
+        vprord zmm14, zmm14, 16
+        vprord zmm15, zmm15, 16
+        vpaddd zmm8, zmm8, zmm12
+        vpaddd zmm9, zmm9, zmm13
+        vpaddd zmm10, zmm10, zmm14
+        vpaddd zmm11, zmm11, zmm15
+        vpxord zmm4, zmm4, zmm8
+        vpxord zmm5, zmm5, zmm9
+        vpxord zmm6, zmm6, zmm10
+        vpxord zmm7, zmm7, zmm11
+        vprord zmm4, zmm4, 12
+        vprord zmm5, zmm5, 12
+        vprord zmm6, zmm6, 12
+        vprord zmm7, zmm7, 12
+        vpaddd zmm0, zmm0, zmm20
+        vpaddd zmm1, zmm1, zmm28
+        vpaddd zmm2, zmm2, zmm18
+        vpaddd zmm3, zmm3, zmm30
+        vpaddd zmm0, zmm0, zmm4
+        vpaddd zmm1, zmm1, zmm5
+        vpaddd zmm2, zmm2, zmm6
+        vpaddd zmm3, zmm3, zmm7
+        vpxord zmm12, zmm12, zmm0
+        vpxord zmm13, zmm13, zmm1
+        vpxord zmm14, zmm14, zmm2
+        vpxord zmm15, zmm15, zmm3
+        vprord zmm12, zmm12, 8
+        vprord zmm13, zmm13, 8
+        vprord zmm14, zmm14, 8
+        vprord zmm15, zmm15, 8
+        vpaddd zmm8, zmm8, zmm12
+        vpaddd zmm9, zmm9, zmm13
+        vpaddd zmm10, zmm10, zmm14
+        vpaddd zmm11, zmm11, zmm15
+        vpxord zmm4, zmm4, zmm8
+        vpxord zmm5, zmm5, zmm9
+        vpxord zmm6, zmm6, zmm10
+        vpxord zmm7, zmm7, zmm11
+        vprord zmm4, zmm4, 7
+        vprord zmm5, zmm5, 7
+        vprord zmm6, zmm6, 7
+        vprord zmm7, zmm7, 7
+        vpaddd zmm0, zmm0, zmm22
+        vpaddd zmm1, zmm1, zmm25
+        vpaddd zmm2, zmm2, zmm27
+        vpaddd zmm3, zmm3, zmm24
+        vpaddd zmm0, zmm0, zmm5
+        vpaddd zmm1, zmm1, zmm6
+        vpaddd zmm2, zmm2, zmm7
+        vpaddd zmm3, zmm3, zmm4
+        vpxord zmm15, zmm15, zmm0
+        vpxord zmm12, zmm12, zmm1
+        vpxord zmm13, zmm13, zmm2
+        vpxord zmm14, zmm14, zmm3
+        vprord zmm15, zmm15, 16
+        vprord zmm12, zmm12, 16
+        vprord zmm13, zmm13, 16
+        vprord zmm14, zmm14, 16
+        vpaddd zmm10, zmm10, zmm15
+        vpaddd zmm11, zmm11, zmm12
+        vpaddd zmm8, zmm8, zmm13
+        vpaddd zmm9, zmm9, zmm14
+        vpxord zmm5, zmm5, zmm10
+        vpxord zmm6, zmm6, zmm11
+        vpxord zmm7, zmm7, zmm8
+        vpxord zmm4, zmm4, zmm9
+        vprord zmm5, zmm5, 12
+        vprord zmm6, zmm6, 12
+        vprord zmm7, zmm7, 12
+        vprord zmm4, zmm4, 12
+        vpaddd zmm0, zmm0, zmm21
+        vpaddd zmm1, zmm1, zmm16
+        vpaddd zmm2, zmm2, zmm31
+        vpaddd zmm3, zmm3, zmm17
+        vpaddd zmm0, zmm0, zmm5
+        vpaddd zmm1, zmm1, zmm6
+        vpaddd zmm2, zmm2, zmm7
+        vpaddd zmm3, zmm3, zmm4
+        vpxord zmm15, zmm15, zmm0
+        vpxord zmm12, zmm12, zmm1
+        vpxord zmm13, zmm13, zmm2
+        vpxord zmm14, zmm14, zmm3
+        vprord zmm15, zmm15, 8
+        vprord zmm12, zmm12, 8
+        vprord zmm13, zmm13, 8
+        vprord zmm14, zmm14, 8
+        vpaddd zmm10, zmm10, zmm15
+        vpaddd zmm11, zmm11, zmm12
+        vpaddd zmm8, zmm8, zmm13
+        vpaddd zmm9, zmm9, zmm14
+        vpxord zmm5, zmm5, zmm10
+        vpxord zmm6, zmm6, zmm11
+        vpxord zmm7, zmm7, zmm8
+        vpxord zmm4, zmm4, zmm9
+        vprord zmm5, zmm5, 7
+        vprord zmm6, zmm6, 7
+        vprord zmm7, zmm7, 7
+        vprord zmm4, zmm4, 7
+        vpaddd zmm0, zmm0, zmm26
+        vpaddd zmm1, zmm1, zmm28
+        vpaddd zmm2, zmm2, zmm30
+        vpaddd zmm3, zmm3, zmm29
+        vpaddd zmm0, zmm0, zmm4
+        vpaddd zmm1, zmm1, zmm5
+        vpaddd zmm2, zmm2, zmm6
+        vpaddd zmm3, zmm3, zmm7
+        vpxord zmm12, zmm12, zmm0
+        vpxord zmm13, zmm13, zmm1
+        vpxord zmm14, zmm14, zmm2
+        vpxord zmm15, zmm15, zmm3
+        vprord zmm12, zmm12, 16
+        vprord zmm13, zmm13, 16
+        vprord zmm14, zmm14, 16
+        vprord zmm15, zmm15, 16
+        vpaddd zmm8, zmm8, zmm12
+        vpaddd zmm9, zmm9, zmm13
+        vpaddd zmm10, zmm10, zmm14
+        vpaddd zmm11, zmm11, zmm15
+        vpxord zmm4, zmm4, zmm8
+        vpxord zmm5, zmm5, zmm9
+        vpxord zmm6, zmm6, zmm10
+        vpxord zmm7, zmm7, zmm11
+        vprord zmm4, zmm4, 12
+        vprord zmm5, zmm5, 12
+        vprord zmm6, zmm6, 12
+        vprord zmm7, zmm7, 12
+        vpaddd zmm0, zmm0, zmm23
+        vpaddd zmm1, zmm1, zmm25
+        vpaddd zmm2, zmm2, zmm19
+        vpaddd zmm3, zmm3, zmm31
+        vpaddd zmm0, zmm0, zmm4
+        vpaddd zmm1, zmm1, zmm5
+        vpaddd zmm2, zmm2, zmm6
+        vpaddd zmm3, zmm3, zmm7
+        vpxord zmm12, zmm12, zmm0
+        vpxord zmm13, zmm13, zmm1
+        vpxord zmm14, zmm14, zmm2
+        vpxord zmm15, zmm15, zmm3
+        vprord zmm12, zmm12, 8
+        vprord zmm13, zmm13, 8
+        vprord zmm14, zmm14, 8
+        vprord zmm15, zmm15, 8
+        vpaddd zmm8, zmm8, zmm12
+        vpaddd zmm9, zmm9, zmm13
+        vpaddd zmm10, zmm10, zmm14
+        vpaddd zmm11, zmm11, zmm15
+        vpxord zmm4, zmm4, zmm8
+        vpxord zmm5, zmm5, zmm9
+        vpxord zmm6, zmm6, zmm10
+        vpxord zmm7, zmm7, zmm11
+        vprord zmm4, zmm4, 7
+        vprord zmm5, zmm5, 7
+        vprord zmm6, zmm6, 7
+        vprord zmm7, zmm7, 7
+        vpaddd zmm0, zmm0, zmm20
+        vpaddd zmm1, zmm1, zmm27
+        vpaddd zmm2, zmm2, zmm21
+        vpaddd zmm3, zmm3, zmm17
+        vpaddd zmm0, zmm0, zmm5
+        vpaddd zmm1, zmm1, zmm6
+        vpaddd zmm2, zmm2, zmm7
+        vpaddd zmm3, zmm3, zmm4
+        vpxord zmm15, zmm15, zmm0
+        vpxord zmm12, zmm12, zmm1
+        vpxord zmm13, zmm13, zmm2
+        vpxord zmm14, zmm14, zmm3
+        vprord zmm15, zmm15, 16
+        vprord zmm12, zmm12, 16
+        vprord zmm13, zmm13, 16
+        vprord zmm14, zmm14, 16
+        vpaddd zmm10, zmm10, zmm15
+        vpaddd zmm11, zmm11, zmm12
+        vpaddd zmm8, zmm8, zmm13
+        vpaddd zmm9, zmm9, zmm14
+        vpxord zmm5, zmm5, zmm10
+        vpxord zmm6, zmm6, zmm11
+        vpxord zmm7, zmm7, zmm8
+        vpxord zmm4, zmm4, zmm9
+        vprord zmm5, zmm5, 12
+        vprord zmm6, zmm6, 12
+        vprord zmm7, zmm7, 12
+        vprord zmm4, zmm4, 12
+        vpaddd zmm0, zmm0, zmm16
+        vpaddd zmm1, zmm1, zmm18
+        vpaddd zmm2, zmm2, zmm24
+        vpaddd zmm3, zmm3, zmm22
+        vpaddd zmm0, zmm0, zmm5
+        vpaddd zmm1, zmm1, zmm6
+        vpaddd zmm2, zmm2, zmm7
+        vpaddd zmm3, zmm3, zmm4
+        vpxord zmm15, zmm15, zmm0
+        vpxord zmm12, zmm12, zmm1
+        vpxord zmm13, zmm13, zmm2
+        vpxord zmm14, zmm14, zmm3
+        vprord zmm15, zmm15, 8
+        vprord zmm12, zmm12, 8
+        vprord zmm13, zmm13, 8
+        vprord zmm14, zmm14, 8
+        vpaddd zmm10, zmm10, zmm15
+        vpaddd zmm11, zmm11, zmm12
+        vpaddd zmm8, zmm8, zmm13
+        vpaddd zmm9, zmm9, zmm14
+        vpxord zmm5, zmm5, zmm10
+        vpxord zmm6, zmm6, zmm11
+        vpxord zmm7, zmm7, zmm8
+        vpxord zmm4, zmm4, zmm9
+        vprord zmm5, zmm5, 7
+        vprord zmm6, zmm6, 7
+        vprord zmm7, zmm7, 7
+        vprord zmm4, zmm4, 7
+        vpaddd zmm0, zmm0, zmm28
+        vpaddd zmm1, zmm1, zmm25
+        vpaddd zmm2, zmm2, zmm31
+        vpaddd zmm3, zmm3, zmm30
+        vpaddd zmm0, zmm0, zmm4
+        vpaddd zmm1, zmm1, zmm5
+        vpaddd zmm2, zmm2, zmm6
+        vpaddd zmm3, zmm3, zmm7
+        vpxord zmm12, zmm12, zmm0
+        vpxord zmm13, zmm13, zmm1
+        vpxord zmm14, zmm14, zmm2
+        vpxord zmm15, zmm15, zmm3
+        vprord zmm12, zmm12, 16
+        vprord zmm13, zmm13, 16
+        vprord zmm14, zmm14, 16
+        vprord zmm15, zmm15, 16
+        vpaddd zmm8, zmm8, zmm12
+        vpaddd zmm9, zmm9, zmm13
+        vpaddd zmm10, zmm10, zmm14
+        vpaddd zmm11, zmm11, zmm15
+        vpxord zmm4, zmm4, zmm8
+        vpxord zmm5, zmm5, zmm9
+        vpxord zmm6, zmm6, zmm10
+        vpxord zmm7, zmm7, zmm11
+        vprord zmm4, zmm4, 12
+        vprord zmm5, zmm5, 12
+        vprord zmm6, zmm6, 12
+        vprord zmm7, zmm7, 12
+        vpaddd zmm0, zmm0, zmm29
+        vpaddd zmm1, zmm1, zmm27
+        vpaddd zmm2, zmm2, zmm26
+        vpaddd zmm3, zmm3, zmm24
+        vpaddd zmm0, zmm0, zmm4
+        vpaddd zmm1, zmm1, zmm5
+        vpaddd zmm2, zmm2, zmm6
+        vpaddd zmm3, zmm3, zmm7
+        vpxord zmm12, zmm12, zmm0
+        vpxord zmm13, zmm13, zmm1
+        vpxord zmm14, zmm14, zmm2
+        vpxord zmm15, zmm15, zmm3
+        vprord zmm12, zmm12, 8
+        vprord zmm13, zmm13, 8
+        vprord zmm14, zmm14, 8
+        vprord zmm15, zmm15, 8
+        vpaddd zmm8, zmm8, zmm12
+        vpaddd zmm9, zmm9, zmm13
+        vpaddd zmm10, zmm10, zmm14
+        vpaddd zmm11, zmm11, zmm15
+        vpxord zmm4, zmm4, zmm8
+        vpxord zmm5, zmm5, zmm9
+        vpxord zmm6, zmm6, zmm10
+        vpxord zmm7, zmm7, zmm11
+        vprord zmm4, zmm4, 7
+        vprord zmm5, zmm5, 7
+        vprord zmm6, zmm6, 7
+        vprord zmm7, zmm7, 7
+        vpaddd zmm0, zmm0, zmm23
+        vpaddd zmm1, zmm1, zmm21
+        vpaddd zmm2, zmm2, zmm16
+        vpaddd zmm3, zmm3, zmm22
+        vpaddd zmm0, zmm0, zmm5
+        vpaddd zmm1, zmm1, zmm6
+        vpaddd zmm2, zmm2, zmm7
+        vpaddd zmm3, zmm3, zmm4
+        vpxord zmm15, zmm15, zmm0
+        vpxord zmm12, zmm12, zmm1
+        vpxord zmm13, zmm13, zmm2
+        vpxord zmm14, zmm14, zmm3
+        vprord zmm15, zmm15, 16
+        vprord zmm12, zmm12, 16
+        vprord zmm13, zmm13, 16
+        vprord zmm14, zmm14, 16
+        vpaddd zmm10, zmm10, zmm15
+        vpaddd zmm11, zmm11, zmm12
+        vpaddd zmm8, zmm8, zmm13
+        vpaddd zmm9, zmm9, zmm14
+        vpxord zmm5, zmm5, zmm10
+        vpxord zmm6, zmm6, zmm11
+        vpxord zmm7, zmm7, zmm8
+        vpxord zmm4, zmm4, zmm9
+        vprord zmm5, zmm5, 12
+        vprord zmm6, zmm6, 12
+        vprord zmm7, zmm7, 12
+        vprord zmm4, zmm4, 12
+        vpaddd zmm0, zmm0, zmm18
+        vpaddd zmm1, zmm1, zmm19
+        vpaddd zmm2, zmm2, zmm17
+        vpaddd zmm3, zmm3, zmm20
+        vpaddd zmm0, zmm0, zmm5
+        vpaddd zmm1, zmm1, zmm6
+        vpaddd zmm2, zmm2, zmm7
+        vpaddd zmm3, zmm3, zmm4
+        vpxord zmm15, zmm15, zmm0
+        vpxord zmm12, zmm12, zmm1
+        vpxord zmm13, zmm13, zmm2
+        vpxord zmm14, zmm14, zmm3
+        vprord zmm15, zmm15, 8
+        vprord zmm12, zmm12, 8
+        vprord zmm13, zmm13, 8
+        vprord zmm14, zmm14, 8
+        vpaddd zmm10, zmm10, zmm15
+        vpaddd zmm11, zmm11, zmm12
+        vpaddd zmm8, zmm8, zmm13
+        vpaddd zmm9, zmm9, zmm14
+        vpxord zmm5, zmm5, zmm10
+        vpxord zmm6, zmm6, zmm11
+        vpxord zmm7, zmm7, zmm8
+        vpxord zmm4, zmm4, zmm9
+        vprord zmm5, zmm5, 7
+        vprord zmm6, zmm6, 7
+        vprord zmm7, zmm7, 7
+        vprord zmm4, zmm4, 7
+        vpaddd zmm0, zmm0, zmm25
+        vpaddd zmm1, zmm1, zmm27
+        vpaddd zmm2, zmm2, zmm24
+        vpaddd zmm3, zmm3, zmm31
+        vpaddd zmm0, zmm0, zmm4
+        vpaddd zmm1, zmm1, zmm5
+        vpaddd zmm2, zmm2, zmm6
+        vpaddd zmm3, zmm3, zmm7
+        vpxord zmm12, zmm12, zmm0
+        vpxord zmm13, zmm13, zmm1
+        vpxord zmm14, zmm14, zmm2
+        vpxord zmm15, zmm15, zmm3
+        vprord zmm12, zmm12, 16
+        vprord zmm13, zmm13, 16
+        vprord zmm14, zmm14, 16
+        vprord zmm15, zmm15, 16
+        vpaddd zmm8, zmm8, zmm12
+        vpaddd zmm9, zmm9, zmm13
+        vpaddd zmm10, zmm10, zmm14
+        vpaddd zmm11, zmm11, zmm15
+        vpxord zmm4, zmm4, zmm8
+        vpxord zmm5, zmm5, zmm9
+        vpxord zmm6, zmm6, zmm10
+        vpxord zmm7, zmm7, zmm11
+        vprord zmm4, zmm4, 12
+        vprord zmm5, zmm5, 12
+        vprord zmm6, zmm6, 12
+        vprord zmm7, zmm7, 12
+        vpaddd zmm0, zmm0, zmm30
+        vpaddd zmm1, zmm1, zmm21
+        vpaddd zmm2, zmm2, zmm28
+        vpaddd zmm3, zmm3, zmm17
+        vpaddd zmm0, zmm0, zmm4
+        vpaddd zmm1, zmm1, zmm5
+        vpaddd zmm2, zmm2, zmm6
+        vpaddd zmm3, zmm3, zmm7
+        vpxord zmm12, zmm12, zmm0
+        vpxord zmm13, zmm13, zmm1
+        vpxord zmm14, zmm14, zmm2
+        vpxord zmm15, zmm15, zmm3
+        vprord zmm12, zmm12, 8
+        vprord zmm13, zmm13, 8
+        vprord zmm14, zmm14, 8
+        vprord zmm15, zmm15, 8
+        vpaddd zmm8, zmm8, zmm12
+        vpaddd zmm9, zmm9, zmm13
+        vpaddd zmm10, zmm10, zmm14
+        vpaddd zmm11, zmm11, zmm15
+        vpxord zmm4, zmm4, zmm8
+        vpxord zmm5, zmm5, zmm9
+        vpxord zmm6, zmm6, zmm10
+        vpxord zmm7, zmm7, zmm11
+        vprord zmm4, zmm4, 7
+        vprord zmm5, zmm5, 7
+        vprord zmm6, zmm6, 7
+        vprord zmm7, zmm7, 7
+        vpaddd zmm0, zmm0, zmm29
+        vpaddd zmm1, zmm1, zmm16
+        vpaddd zmm2, zmm2, zmm18
+        vpaddd zmm3, zmm3, zmm20
+        vpaddd zmm0, zmm0, zmm5
+        vpaddd zmm1, zmm1, zmm6
+        vpaddd zmm2, zmm2, zmm7
+        vpaddd zmm3, zmm3, zmm4
+        vpxord zmm15, zmm15, zmm0
+        vpxord zmm12, zmm12, zmm1
+        vpxord zmm13, zmm13, zmm2
+        vpxord zmm14, zmm14, zmm3
+        vprord zmm15, zmm15, 16
+        vprord zmm12, zmm12, 16
+        vprord zmm13, zmm13, 16
+        vprord zmm14, zmm14, 16
+        vpaddd zmm10, zmm10, zmm15
+        vpaddd zmm11, zmm11, zmm12
+        vpaddd zmm8, zmm8, zmm13
+        vpaddd zmm9, zmm9, zmm14
+        vpxord zmm5, zmm5, zmm10
+        vpxord zmm6, zmm6, zmm11
+        vpxord zmm7, zmm7, zmm8
+        vpxord zmm4, zmm4, zmm9
+        vprord zmm5, zmm5, 12
+        vprord zmm6, zmm6, 12
+        vprord zmm7, zmm7, 12
+        vprord zmm4, zmm4, 12
+        vpaddd zmm0, zmm0, zmm19
+        vpaddd zmm1, zmm1, zmm26
+        vpaddd zmm2, zmm2, zmm22
+        vpaddd zmm3, zmm3, zmm23
+        vpaddd zmm0, zmm0, zmm5
+        vpaddd zmm1, zmm1, zmm6
+        vpaddd zmm2, zmm2, zmm7
+        vpaddd zmm3, zmm3, zmm4
+        vpxord zmm15, zmm15, zmm0
+        vpxord zmm12, zmm12, zmm1
+        vpxord zmm13, zmm13, zmm2
+        vpxord zmm14, zmm14, zmm3
+        vprord zmm15, zmm15, 8
+        vprord zmm12, zmm12, 8
+        vprord zmm13, zmm13, 8
+        vprord zmm14, zmm14, 8
+        vpaddd zmm10, zmm10, zmm15
+        vpaddd zmm11, zmm11, zmm12
+        vpaddd zmm8, zmm8, zmm13
+        vpaddd zmm9, zmm9, zmm14
+        vpxord zmm5, zmm5, zmm10
+        vpxord zmm6, zmm6, zmm11
+        vpxord zmm7, zmm7, zmm8
+        vpxord zmm4, zmm4, zmm9
+        vprord zmm5, zmm5, 7
+        vprord zmm6, zmm6, 7
+        vprord zmm7, zmm7, 7
+        vprord zmm4, zmm4, 7
+        vpaddd zmm0, zmm0, zmm27
+        vpaddd zmm1, zmm1, zmm21
+        vpaddd zmm2, zmm2, zmm17
+        vpaddd zmm3, zmm3, zmm24
+        vpaddd zmm0, zmm0, zmm4
+        vpaddd zmm1, zmm1, zmm5
+        vpaddd zmm2, zmm2, zmm6
+        vpaddd zmm3, zmm3, zmm7
+        vpxord zmm12, zmm12, zmm0
+        vpxord zmm13, zmm13, zmm1
+        vpxord zmm14, zmm14, zmm2
+        vpxord zmm15, zmm15, zmm3
+        vprord zmm12, zmm12, 16
+        vprord zmm13, zmm13, 16
+        vprord zmm14, zmm14, 16
+        vprord zmm15, zmm15, 16
+        vpaddd zmm8, zmm8, zmm12
+        vpaddd zmm9, zmm9, zmm13
+        vpaddd zmm10, zmm10, zmm14
+        vpaddd zmm11, zmm11, zmm15
+        vpxord zmm4, zmm4, zmm8
+        vpxord zmm5, zmm5, zmm9
+        vpxord zmm6, zmm6, zmm10
+        vpxord zmm7, zmm7, zmm11
+        vprord zmm4, zmm4, 12
+        vprord zmm5, zmm5, 12
+        vprord zmm6, zmm6, 12
+        vprord zmm7, zmm7, 12
+        vpaddd zmm0, zmm0, zmm31
+        vpaddd zmm1, zmm1, zmm16
+        vpaddd zmm2, zmm2, zmm25
+        vpaddd zmm3, zmm3, zmm22
+        vpaddd zmm0, zmm0, zmm4
+        vpaddd zmm1, zmm1, zmm5
+        vpaddd zmm2, zmm2, zmm6
+        vpaddd zmm3, zmm3, zmm7
+        vpxord zmm12, zmm12, zmm0
+        vpxord zmm13, zmm13, zmm1
+        vpxord zmm14, zmm14, zmm2
+        vpxord zmm15, zmm15, zmm3
+        vprord zmm12, zmm12, 8
+        vprord zmm13, zmm13, 8
+        vprord zmm14, zmm14, 8
+        vprord zmm15, zmm15, 8
+        vpaddd zmm8, zmm8, zmm12
+        vpaddd zmm9, zmm9, zmm13
+        vpaddd zmm10, zmm10, zmm14
+        vpaddd zmm11, zmm11, zmm15
+        vpxord zmm4, zmm4, zmm8
+        vpxord zmm5, zmm5, zmm9
+        vpxord zmm6, zmm6, zmm10
+        vpxord zmm7, zmm7, zmm11
+        vprord zmm4, zmm4, 7
+        vprord zmm5, zmm5, 7
+        vprord zmm6, zmm6, 7
+        vprord zmm7, zmm7, 7
+        vpaddd zmm0, zmm0, zmm30
+        vpaddd zmm1, zmm1, zmm18
+        vpaddd zmm2, zmm2, zmm19
+        vpaddd zmm3, zmm3, zmm23
+        vpaddd zmm0, zmm0, zmm5
+        vpaddd zmm1, zmm1, zmm6
+        vpaddd zmm2, zmm2, zmm7
+        vpaddd zmm3, zmm3, zmm4
+        vpxord zmm15, zmm15, zmm0
+        vpxord zmm12, zmm12, zmm1
+        vpxord zmm13, zmm13, zmm2
+        vpxord zmm14, zmm14, zmm3
+        vprord zmm15, zmm15, 16
+        vprord zmm12, zmm12, 16
+        vprord zmm13, zmm13, 16
+        vprord zmm14, zmm14, 16
+        vpaddd zmm10, zmm10, zmm15
+        vpaddd zmm11, zmm11, zmm12
+        vpaddd zmm8, zmm8, zmm13
+        vpaddd zmm9, zmm9, zmm14
+        vpxord zmm5, zmm5, zmm10
+        vpxord zmm6, zmm6, zmm11
+        vpxord zmm7, zmm7, zmm8
+        vpxord zmm4, zmm4, zmm9
+        vprord zmm5, zmm5, 12
+        vprord zmm6, zmm6, 12
+        vprord zmm7, zmm7, 12
+        vprord zmm4, zmm4, 12
+        vpaddd zmm0, zmm0, zmm26
+        vpaddd zmm1, zmm1, zmm28
+        vpaddd zmm2, zmm2, zmm20
+        vpaddd zmm3, zmm3, zmm29
+        vpaddd zmm0, zmm0, zmm5
+        vpaddd zmm1, zmm1, zmm6
+        vpaddd zmm2, zmm2, zmm7
+        vpaddd zmm3, zmm3, zmm4
+        vpxord zmm15, zmm15, zmm0
+        vpxord zmm12, zmm12, zmm1
+        vpxord zmm13, zmm13, zmm2
+        vpxord zmm14, zmm14, zmm3
+        vprord zmm15, zmm15, 8
+        vprord zmm12, zmm12, 8
+        vprord zmm13, zmm13, 8
+        vprord zmm14, zmm14, 8
+        vpaddd zmm10, zmm10, zmm15
+        vpaddd zmm11, zmm11, zmm12
+        vpaddd zmm8, zmm8, zmm13
+        vpaddd zmm9, zmm9, zmm14
+        vpxord zmm5, zmm5, zmm10
+        vpxord zmm6, zmm6, zmm11
+        vpxord zmm7, zmm7, zmm8
+        vpxord zmm4, zmm4, zmm9
+        vprord zmm5, zmm5, 7
+        vprord zmm6, zmm6, 7
+        vprord zmm7, zmm7, 7
+        vprord zmm4, zmm4, 7
+        vpxord zmm0, zmm0, zmm8
+        vpxord zmm1, zmm1, zmm9
+        vpxord zmm2, zmm2, zmm10
+        vpxord zmm3, zmm3, zmm11
+        vpxord zmm4, zmm4, zmm12
+        vpxord zmm5, zmm5, zmm13
+        vpxord zmm6, zmm6, zmm14
+        vpxord zmm7, zmm7, zmm15
+        movzx eax, byte ptr [rbp+0x38]
+        jne 9b
+        mov rbx, qword ptr [rbp+0x50]
+        vpunpckldq zmm16, zmm0, zmm1
+        vpunpckhdq zmm17, zmm0, zmm1
+        vpunpckldq zmm18, zmm2, zmm3
+        vpunpckhdq zmm19, zmm2, zmm3
+        vpunpckldq zmm20, zmm4, zmm5
+        vpunpckhdq zmm21, zmm4, zmm5
+        vpunpckldq zmm22, zmm6, zmm7
+        vpunpckhdq zmm23, zmm6, zmm7
+        vpunpcklqdq zmm0, zmm16, zmm18
+        vpunpckhqdq zmm1, zmm16, zmm18
+        vpunpcklqdq zmm2, zmm17, zmm19
+        vpunpckhqdq zmm3, zmm17, zmm19
+        vpunpcklqdq zmm4, zmm20, zmm22
+        vpunpckhqdq zmm5, zmm20, zmm22
+        vpunpcklqdq zmm6, zmm21, zmm23
+        vpunpckhqdq zmm7, zmm21, zmm23
+        vshufi32x4 zmm16, zmm0, zmm4, 0x88
+        vshufi32x4 zmm17, zmm1, zmm5, 0x88
+        vshufi32x4 zmm18, zmm2, zmm6, 0x88
+        vshufi32x4 zmm19, zmm3, zmm7, 0x88
+        vshufi32x4 zmm20, zmm0, zmm4, 0xDD
+        vshufi32x4 zmm21, zmm1, zmm5, 0xDD
+        vshufi32x4 zmm22, zmm2, zmm6, 0xDD
+        vshufi32x4 zmm23, zmm3, zmm7, 0xDD
+        vshufi32x4 zmm0, zmm16, zmm17, 0x88
+        vshufi32x4 zmm1, zmm18, zmm19, 0x88
+        vshufi32x4 zmm2, zmm20, zmm21, 0x88
+        vshufi32x4 zmm3, zmm22, zmm23, 0x88
+        vshufi32x4 zmm4, zmm16, zmm17, 0xDD
+        vshufi32x4 zmm5, zmm18, zmm19, 0xDD
+        vshufi32x4 zmm6, zmm20, zmm21, 0xDD
+        vshufi32x4 zmm7, zmm22, zmm23, 0xDD
+        vmovdqu32 zmmword ptr [rbx], zmm0
+        vmovdqu32 zmmword ptr [rbx+0x1*0x40], zmm1
+        vmovdqu32 zmmword ptr [rbx+0x2*0x40], zmm2
+        vmovdqu32 zmmword ptr [rbx+0x3*0x40], zmm3
+        vmovdqu32 zmmword ptr [rbx+0x4*0x40], zmm4
+        vmovdqu32 zmmword ptr [rbx+0x5*0x40], zmm5
+        vmovdqu32 zmmword ptr [rbx+0x6*0x40], zmm6
+        vmovdqu32 zmmword ptr [rbx+0x7*0x40], zmm7
+        vmovdqa32 zmm0, zmmword ptr [rsp]
+        vmovdqa32 zmm1, zmmword ptr [rsp+0x1*0x40]
+        vmovdqa32 zmm2, zmm0
+        vpaddd zmm2{{k1}}, zmm0, dword ptr [204f+rip] {{1to16}}
+        vpcmpltud k2, zmm2, zmm0
+        vpaddd zmm1 {{k2}}, zmm1, dword ptr [203f+rip] {{1to16}}
+        vmovdqa32 zmmword ptr [rsp], zmm2
+        vmovdqa32 zmmword ptr [rsp+0x1*0x40], zmm1
+        add rdi, 128
+        add rbx, 512
+        mov qword ptr [rbp+0x50], rbx
+        sub rsi, 16
+        cmp rsi, 16
+        jnc 2b
+        test rsi, rsi
+        jnz 3f
+4:
+        vzeroupper
+        mov rsp, rbp
+        pop rbp
+        pop rbx
+        pop r12
+        pop r13
+        pop r14
+        pop r15
+        ret
+.p2align 6
+3:
+        test esi, 0x8
+        je 3f
+        vpbroadcastd ymm0, dword ptr [rcx]
+        vpbroadcastd ymm1, dword ptr [rcx+0x4]
+        vpbroadcastd ymm2, dword ptr [rcx+0x8]
+        vpbroadcastd ymm3, dword ptr [rcx+0xC]
+        vpbroadcastd ymm4, dword ptr [rcx+0x10]
+        vpbroadcastd ymm5, dword ptr [rcx+0x14]
+        vpbroadcastd ymm6, dword ptr [rcx+0x18]
+        vpbroadcastd ymm7, dword ptr [rcx+0x1C]
+        mov r8, qword ptr [rdi]
+        mov r9, qword ptr [rdi+0x8]
+        mov r10, qword ptr [rdi+0x10]
+        mov r11, qword ptr [rdi+0x18]
+        mov r12, qword ptr [rdi+0x20]
+        mov r13, qword ptr [rdi+0x28]
+        mov r14, qword ptr [rdi+0x30]
+        mov r15, qword ptr [rdi+0x38]
+        movzx eax, byte ptr [rbp+0x38]
+        movzx ebx, byte ptr [rbp+0x40]
+        or eax, ebx
+        xor edx, edx
+2:
+        movzx ebx, byte ptr [rbp+0x48]
+        or ebx, eax
+        add rdx, 64
+        cmp rdx, qword ptr [rsp+0x80]
+        cmove eax, ebx
+        mov dword ptr [rsp+0x88], eax
+        vmovups xmm8, xmmword ptr [r8+rdx-0x40]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x40], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x40]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x40], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x40]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x40], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x40]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x40], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm16, ymm12, ymm14, 136
+        vshufps ymm17, ymm12, ymm14, 221
+        vshufps ymm18, ymm13, ymm15, 136
+        vshufps ymm19, ymm13, ymm15, 221
+        vmovups xmm8, xmmword ptr [r8+rdx-0x30]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x30], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x30]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x30], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x30]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x30], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x30]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x30], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm20, ymm12, ymm14, 136
+        vshufps ymm21, ymm12, ymm14, 221
+        vshufps ymm22, ymm13, ymm15, 136
+        vshufps ymm23, ymm13, ymm15, 221
+        vmovups xmm8, xmmword ptr [r8+rdx-0x20]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x20], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x20]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x20], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x20]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x20], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x20]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x20], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm24, ymm12, ymm14, 136
+        vshufps ymm25, ymm12, ymm14, 221
+        vshufps ymm26, ymm13, ymm15, 136
+        vshufps ymm27, ymm13, ymm15, 221
+        vmovups xmm8, xmmword ptr [r8+rdx-0x10]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x10], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x10]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x10], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x10]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x10], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x10]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x10], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm28, ymm12, ymm14, 136
+        vshufps ymm29, ymm12, ymm14, 221
+        vshufps ymm30, ymm13, ymm15, 136
+        vshufps ymm31, ymm13, ymm15, 221
+        vpbroadcastd ymm8, dword ptr [207f+rip]
+        vpbroadcastd ymm9, dword ptr [208f+rip]
+        vpbroadcastd ymm10, dword ptr [209f+rip]
+        vpbroadcastd ymm11, dword ptr [210f+rip]
+        vmovdqa ymm12, ymmword ptr [rsp]
+        vmovdqa ymm13, ymmword ptr [rsp+0x40]
+        vpbroadcastd ymm14, dword ptr [205f+rip]
+        vpbroadcastd ymm15, dword ptr [rsp+0x88]
+        vpaddd ymm0, ymm0, ymm16
+        vpaddd ymm1, ymm1, ymm18
+        vpaddd ymm2, ymm2, ymm20
+        vpaddd ymm3, ymm3, ymm22
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxord ymm12, ymm12, ymm0
+        vpxord ymm13, ymm13, ymm1
+        vpxord ymm14, ymm14, ymm2
+        vpxord ymm15, ymm15, ymm3
+        vprord ymm12, ymm12, 16
+        vprord ymm13, ymm13, 16
+        vprord ymm14, ymm14, 16
+        vprord ymm15, ymm15, 16
+        vpaddd ymm8, ymm8, ymm12
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxord ymm4, ymm4, ymm8
+        vpxord ymm5, ymm5, ymm9
+        vpxord ymm6, ymm6, ymm10
+        vpxord ymm7, ymm7, ymm11
+        vprord ymm4, ymm4, 12
+        vprord ymm5, ymm5, 12
+        vprord ymm6, ymm6, 12
+        vprord ymm7, ymm7, 12
+        vpaddd ymm0, ymm0, ymm17
+        vpaddd ymm1, ymm1, ymm19
+        vpaddd ymm2, ymm2, ymm21
+        vpaddd ymm3, ymm3, ymm23
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxord ymm12, ymm12, ymm0
+        vpxord ymm13, ymm13, ymm1
+        vpxord ymm14, ymm14, ymm2
+        vpxord ymm15, ymm15, ymm3
+        vprord ymm12, ymm12, 8
+        vprord ymm13, ymm13, 8
+        vprord ymm14, ymm14, 8
+        vprord ymm15, ymm15, 8
+        vpaddd ymm8, ymm8, ymm12
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxord ymm4, ymm4, ymm8
+        vpxord ymm5, ymm5, ymm9
+        vpxord ymm6, ymm6, ymm10
+        vpxord ymm7, ymm7, ymm11
+        vprord ymm4, ymm4, 7
+        vprord ymm5, ymm5, 7
+        vprord ymm6, ymm6, 7
+        vprord ymm7, ymm7, 7
+        vpaddd ymm0, ymm0, ymm24
+        vpaddd ymm1, ymm1, ymm26
+        vpaddd ymm2, ymm2, ymm28
+        vpaddd ymm3, ymm3, ymm30
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxord ymm15, ymm15, ymm0
+        vpxord ymm12, ymm12, ymm1
+        vpxord ymm13, ymm13, ymm2
+        vpxord ymm14, ymm14, ymm3
+        vprord ymm15, ymm15, 16
+        vprord ymm12, ymm12, 16
+        vprord ymm13, ymm13, 16
+        vprord ymm14, ymm14, 16
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm8, ymm13
+        vpaddd ymm9, ymm9, ymm14
+        vpxord ymm5, ymm5, ymm10
+        vpxord ymm6, ymm6, ymm11
+        vpxord ymm7, ymm7, ymm8
+        vpxord ymm4, ymm4, ymm9
+        vprord ymm5, ymm5, 12
+        vprord ymm6, ymm6, 12
+        vprord ymm7, ymm7, 12
+        vprord ymm4, ymm4, 12
+        vpaddd ymm0, ymm0, ymm25
+        vpaddd ymm1, ymm1, ymm27
+        vpaddd ymm2, ymm2, ymm29
+        vpaddd ymm3, ymm3, ymm31
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxord ymm15, ymm15, ymm0
+        vpxord ymm12, ymm12, ymm1
+        vpxord ymm13, ymm13, ymm2
+        vpxord ymm14, ymm14, ymm3
+        vprord ymm15, ymm15, 8
+        vprord ymm12, ymm12, 8
+        vprord ymm13, ymm13, 8
+        vprord ymm14, ymm14, 8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm8, ymm13
+        vpaddd ymm9, ymm9, ymm14
+        vpxord ymm5, ymm5, ymm10
+        vpxord ymm6, ymm6, ymm11
+        vpxord ymm7, ymm7, ymm8
+        vpxord ymm4, ymm4, ymm9
+        vprord ymm5, ymm5, 7
+        vprord ymm6, ymm6, 7
+        vprord ymm7, ymm7, 7
+        vprord ymm4, ymm4, 7
+        vpaddd ymm0, ymm0, ymm18
+        vpaddd ymm1, ymm1, ymm19
+        vpaddd ymm2, ymm2, ymm23
+        vpaddd ymm3, ymm3, ymm20
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxord ymm12, ymm12, ymm0
+        vpxord ymm13, ymm13, ymm1
+        vpxord ymm14, ymm14, ymm2
+        vpxord ymm15, ymm15, ymm3
+        vprord ymm12, ymm12, 16
+        vprord ymm13, ymm13, 16
+        vprord ymm14, ymm14, 16
+        vprord ymm15, ymm15, 16
+        vpaddd ymm8, ymm8, ymm12
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxord ymm4, ymm4, ymm8
+        vpxord ymm5, ymm5, ymm9
+        vpxord ymm6, ymm6, ymm10
+        vpxord ymm7, ymm7, ymm11
+        vprord ymm4, ymm4, 12
+        vprord ymm5, ymm5, 12
+        vprord ymm6, ymm6, 12
+        vprord ymm7, ymm7, 12
+        vpaddd ymm0, ymm0, ymm22
+        vpaddd ymm1, ymm1, ymm26
+        vpaddd ymm2, ymm2, ymm16
+        vpaddd ymm3, ymm3, ymm29
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxord ymm12, ymm12, ymm0
+        vpxord ymm13, ymm13, ymm1
+        vpxord ymm14, ymm14, ymm2
+        vpxord ymm15, ymm15, ymm3
+        vprord ymm12, ymm12, 8
+        vprord ymm13, ymm13, 8
+        vprord ymm14, ymm14, 8
+        vprord ymm15, ymm15, 8
+        vpaddd ymm8, ymm8, ymm12
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxord ymm4, ymm4, ymm8
+        vpxord ymm5, ymm5, ymm9
+        vpxord ymm6, ymm6, ymm10
+        vpxord ymm7, ymm7, ymm11
+        vprord ymm4, ymm4, 7
+        vprord ymm5, ymm5, 7
+        vprord ymm6, ymm6, 7
+        vprord ymm7, ymm7, 7
+        vpaddd ymm0, ymm0, ymm17
+        vpaddd ymm1, ymm1, ymm28
+        vpaddd ymm2, ymm2, ymm25
+        vpaddd ymm3, ymm3, ymm31
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxord ymm15, ymm15, ymm0
+        vpxord ymm12, ymm12, ymm1
+        vpxord ymm13, ymm13, ymm2
+        vpxord ymm14, ymm14, ymm3
+        vprord ymm15, ymm15, 16
+        vprord ymm12, ymm12, 16
+        vprord ymm13, ymm13, 16
+        vprord ymm14, ymm14, 16
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm8, ymm13
+        vpaddd ymm9, ymm9, ymm14
+        vpxord ymm5, ymm5, ymm10
+        vpxord ymm6, ymm6, ymm11
+        vpxord ymm7, ymm7, ymm8
+        vpxord ymm4, ymm4, ymm9
+        vprord ymm5, ymm5, 12
+        vprord ymm6, ymm6, 12
+        vprord ymm7, ymm7, 12
+        vprord ymm4, ymm4, 12
+        vpaddd ymm0, ymm0, ymm27
+        vpaddd ymm1, ymm1, ymm21
+        vpaddd ymm2, ymm2, ymm30
+        vpaddd ymm3, ymm3, ymm24
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxord ymm15, ymm15, ymm0
+        vpxord ymm12, ymm12, ymm1
+        vpxord ymm13, ymm13, ymm2
+        vpxord ymm14, ymm14, ymm3
+        vprord ymm15, ymm15, 8
+        vprord ymm12, ymm12, 8
+        vprord ymm13, ymm13, 8
+        vprord ymm14, ymm14, 8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm8, ymm13
+        vpaddd ymm9, ymm9, ymm14
+        vpxord ymm5, ymm5, ymm10
+        vpxord ymm6, ymm6, ymm11
+        vpxord ymm7, ymm7, ymm8
+        vpxord ymm4, ymm4, ymm9
+        vprord ymm5, ymm5, 7
+        vprord ymm6, ymm6, 7
+        vprord ymm7, ymm7, 7
+        vprord ymm4, ymm4, 7
+        vpaddd ymm0, ymm0, ymm19
+        vpaddd ymm1, ymm1, ymm26
+        vpaddd ymm2, ymm2, ymm29
+        vpaddd ymm3, ymm3, ymm23
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxord ymm12, ymm12, ymm0
+        vpxord ymm13, ymm13, ymm1
+        vpxord ymm14, ymm14, ymm2
+        vpxord ymm15, ymm15, ymm3
+        vprord ymm12, ymm12, 16
+        vprord ymm13, ymm13, 16
+        vprord ymm14, ymm14, 16
+        vprord ymm15, ymm15, 16
+        vpaddd ymm8, ymm8, ymm12
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxord ymm4, ymm4, ymm8
+        vpxord ymm5, ymm5, ymm9
+        vpxord ymm6, ymm6, ymm10
+        vpxord ymm7, ymm7, ymm11
+        vprord ymm4, ymm4, 12
+        vprord ymm5, ymm5, 12
+        vprord ymm6, ymm6, 12
+        vprord ymm7, ymm7, 12
+        vpaddd ymm0, ymm0, ymm20
+        vpaddd ymm1, ymm1, ymm28
+        vpaddd ymm2, ymm2, ymm18
+        vpaddd ymm3, ymm3, ymm30
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxord ymm12, ymm12, ymm0
+        vpxord ymm13, ymm13, ymm1
+        vpxord ymm14, ymm14, ymm2
+        vpxord ymm15, ymm15, ymm3
+        vprord ymm12, ymm12, 8
+        vprord ymm13, ymm13, 8
+        vprord ymm14, ymm14, 8
+        vprord ymm15, ymm15, 8
+        vpaddd ymm8, ymm8, ymm12
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxord ymm4, ymm4, ymm8
+        vpxord ymm5, ymm5, ymm9
+        vpxord ymm6, ymm6, ymm10
+        vpxord ymm7, ymm7, ymm11
+        vprord ymm4, ymm4, 7
+        vprord ymm5, ymm5, 7
+        vprord ymm6, ymm6, 7
+        vprord ymm7, ymm7, 7
+        vpaddd ymm0, ymm0, ymm22
+        vpaddd ymm1, ymm1, ymm25
+        vpaddd ymm2, ymm2, ymm27
+        vpaddd ymm3, ymm3, ymm24
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxord ymm15, ymm15, ymm0
+        vpxord ymm12, ymm12, ymm1
+        vpxord ymm13, ymm13, ymm2
+        vpxord ymm14, ymm14, ymm3
+        vprord ymm15, ymm15, 16
+        vprord ymm12, ymm12, 16
+        vprord ymm13, ymm13, 16
+        vprord ymm14, ymm14, 16
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm8, ymm13
+        vpaddd ymm9, ymm9, ymm14
+        vpxord ymm5, ymm5, ymm10
+        vpxord ymm6, ymm6, ymm11
+        vpxord ymm7, ymm7, ymm8
+        vpxord ymm4, ymm4, ymm9
+        vprord ymm5, ymm5, 12
+        vprord ymm6, ymm6, 12
+        vprord ymm7, ymm7, 12
+        vprord ymm4, ymm4, 12
+        vpaddd ymm0, ymm0, ymm21
+        vpaddd ymm1, ymm1, ymm16
+        vpaddd ymm2, ymm2, ymm31
+        vpaddd ymm3, ymm3, ymm17
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxord ymm15, ymm15, ymm0
+        vpxord ymm12, ymm12, ymm1
+        vpxord ymm13, ymm13, ymm2
+        vpxord ymm14, ymm14, ymm3
+        vprord ymm15, ymm15, 8
+        vprord ymm12, ymm12, 8
+        vprord ymm13, ymm13, 8
+        vprord ymm14, ymm14, 8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm8, ymm13
+        vpaddd ymm9, ymm9, ymm14
+        vpxord ymm5, ymm5, ymm10
+        vpxord ymm6, ymm6, ymm11
+        vpxord ymm7, ymm7, ymm8
+        vpxord ymm4, ymm4, ymm9
+        vprord ymm5, ymm5, 7
+        vprord ymm6, ymm6, 7
+        vprord ymm7, ymm7, 7
+        vprord ymm4, ymm4, 7
+        vpaddd ymm0, ymm0, ymm26
+        vpaddd ymm1, ymm1, ymm28
+        vpaddd ymm2, ymm2, ymm30
+        vpaddd ymm3, ymm3, ymm29
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxord ymm12, ymm12, ymm0
+        vpxord ymm13, ymm13, ymm1
+        vpxord ymm14, ymm14, ymm2
+        vpxord ymm15, ymm15, ymm3
+        vprord ymm12, ymm12, 16
+        vprord ymm13, ymm13, 16
+        vprord ymm14, ymm14, 16
+        vprord ymm15, ymm15, 16
+        vpaddd ymm8, ymm8, ymm12
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxord ymm4, ymm4, ymm8
+        vpxord ymm5, ymm5, ymm9
+        vpxord ymm6, ymm6, ymm10
+        vpxord ymm7, ymm7, ymm11
+        vprord ymm4, ymm4, 12
+        vprord ymm5, ymm5, 12
+        vprord ymm6, ymm6, 12
+        vprord ymm7, ymm7, 12
+        vpaddd ymm0, ymm0, ymm23
+        vpaddd ymm1, ymm1, ymm25
+        vpaddd ymm2, ymm2, ymm19
+        vpaddd ymm3, ymm3, ymm31
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxord ymm12, ymm12, ymm0
+        vpxord ymm13, ymm13, ymm1
+        vpxord ymm14, ymm14, ymm2
+        vpxord ymm15, ymm15, ymm3
+        vprord ymm12, ymm12, 8
+        vprord ymm13, ymm13, 8
+        vprord ymm14, ymm14, 8
+        vprord ymm15, ymm15, 8
+        vpaddd ymm8, ymm8, ymm12
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxord ymm4, ymm4, ymm8
+        vpxord ymm5, ymm5, ymm9
+        vpxord ymm6, ymm6, ymm10
+        vpxord ymm7, ymm7, ymm11
+        vprord ymm4, ymm4, 7
+        vprord ymm5, ymm5, 7
+        vprord ymm6, ymm6, 7
+        vprord ymm7, ymm7, 7
+        vpaddd ymm0, ymm0, ymm20
+        vpaddd ymm1, ymm1, ymm27
+        vpaddd ymm2, ymm2, ymm21
+        vpaddd ymm3, ymm3, ymm17
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxord ymm15, ymm15, ymm0
+        vpxord ymm12, ymm12, ymm1
+        vpxord ymm13, ymm13, ymm2
+        vpxord ymm14, ymm14, ymm3
+        vprord ymm15, ymm15, 16
+        vprord ymm12, ymm12, 16
+        vprord ymm13, ymm13, 16
+        vprord ymm14, ymm14, 16
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm8, ymm13
+        vpaddd ymm9, ymm9, ymm14
+        vpxord ymm5, ymm5, ymm10
+        vpxord ymm6, ymm6, ymm11
+        vpxord ymm7, ymm7, ymm8
+        vpxord ymm4, ymm4, ymm9
+        vprord ymm5, ymm5, 12
+        vprord ymm6, ymm6, 12
+        vprord ymm7, ymm7, 12
+        vprord ymm4, ymm4, 12
+        vpaddd ymm0, ymm0, ymm16
+        vpaddd ymm1, ymm1, ymm18
+        vpaddd ymm2, ymm2, ymm24
+        vpaddd ymm3, ymm3, ymm22
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxord ymm15, ymm15, ymm0
+        vpxord ymm12, ymm12, ymm1
+        vpxord ymm13, ymm13, ymm2
+        vpxord ymm14, ymm14, ymm3
+        vprord ymm15, ymm15, 8
+        vprord ymm12, ymm12, 8
+        vprord ymm13, ymm13, 8
+        vprord ymm14, ymm14, 8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm8, ymm13
+        vpaddd ymm9, ymm9, ymm14
+        vpxord ymm5, ymm5, ymm10
+        vpxord ymm6, ymm6, ymm11
+        vpxord ymm7, ymm7, ymm8
+        vpxord ymm4, ymm4, ymm9
+        vprord ymm5, ymm5, 7
+        vprord ymm6, ymm6, 7
+        vprord ymm7, ymm7, 7
+        vprord ymm4, ymm4, 7
+        vpaddd ymm0, ymm0, ymm28
+        vpaddd ymm1, ymm1, ymm25
+        vpaddd ymm2, ymm2, ymm31
+        vpaddd ymm3, ymm3, ymm30
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxord ymm12, ymm12, ymm0
+        vpxord ymm13, ymm13, ymm1
+        vpxord ymm14, ymm14, ymm2
+        vpxord ymm15, ymm15, ymm3
+        vprord ymm12, ymm12, 16
+        vprord ymm13, ymm13, 16
+        vprord ymm14, ymm14, 16
+        vprord ymm15, ymm15, 16
+        vpaddd ymm8, ymm8, ymm12
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxord ymm4, ymm4, ymm8
+        vpxord ymm5, ymm5, ymm9
+        vpxord ymm6, ymm6, ymm10
+        vpxord ymm7, ymm7, ymm11
+        vprord ymm4, ymm4, 12
+        vprord ymm5, ymm5, 12
+        vprord ymm6, ymm6, 12
+        vprord ymm7, ymm7, 12
+        vpaddd ymm0, ymm0, ymm29
+        vpaddd ymm1, ymm1, ymm27
+        vpaddd ymm2, ymm2, ymm26
+        vpaddd ymm3, ymm3, ymm24
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxord ymm12, ymm12, ymm0
+        vpxord ymm13, ymm13, ymm1
+        vpxord ymm14, ymm14, ymm2
+        vpxord ymm15, ymm15, ymm3
+        vprord ymm12, ymm12, 8
+        vprord ymm13, ymm13, 8
+        vprord ymm14, ymm14, 8
+        vprord ymm15, ymm15, 8
+        vpaddd ymm8, ymm8, ymm12
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxord ymm4, ymm4, ymm8
+        vpxord ymm5, ymm5, ymm9
+        vpxord ymm6, ymm6, ymm10
+        vpxord ymm7, ymm7, ymm11
+        vprord ymm4, ymm4, 7
+        vprord ymm5, ymm5, 7
+        vprord ymm6, ymm6, 7
+        vprord ymm7, ymm7, 7
+        vpaddd ymm0, ymm0, ymm23
+        vpaddd ymm1, ymm1, ymm21
+        vpaddd ymm2, ymm2, ymm16
+        vpaddd ymm3, ymm3, ymm22
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxord ymm15, ymm15, ymm0
+        vpxord ymm12, ymm12, ymm1
+        vpxord ymm13, ymm13, ymm2
+        vpxord ymm14, ymm14, ymm3
+        vprord ymm15, ymm15, 16
+        vprord ymm12, ymm12, 16
+        vprord ymm13, ymm13, 16
+        vprord ymm14, ymm14, 16
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm8, ymm13
+        vpaddd ymm9, ymm9, ymm14
+        vpxord ymm5, ymm5, ymm10
+        vpxord ymm6, ymm6, ymm11
+        vpxord ymm7, ymm7, ymm8
+        vpxord ymm4, ymm4, ymm9
+        vprord ymm5, ymm5, 12
+        vprord ymm6, ymm6, 12
+        vprord ymm7, ymm7, 12
+        vprord ymm4, ymm4, 12
+        vpaddd ymm0, ymm0, ymm18
+        vpaddd ymm1, ymm1, ymm19
+        vpaddd ymm2, ymm2, ymm17
+        vpaddd ymm3, ymm3, ymm20
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxord ymm15, ymm15, ymm0
+        vpxord ymm12, ymm12, ymm1
+        vpxord ymm13, ymm13, ymm2
+        vpxord ymm14, ymm14, ymm3
+        vprord ymm15, ymm15, 8
+        vprord ymm12, ymm12, 8
+        vprord ymm13, ymm13, 8
+        vprord ymm14, ymm14, 8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm8, ymm13
+        vpaddd ymm9, ymm9, ymm14
+        vpxord ymm5, ymm5, ymm10
+        vpxord ymm6, ymm6, ymm11
+        vpxord ymm7, ymm7, ymm8
+        vpxord ymm4, ymm4, ymm9
+        vprord ymm5, ymm5, 7
+        vprord ymm6, ymm6, 7
+        vprord ymm7, ymm7, 7
+        vprord ymm4, ymm4, 7
+        vpaddd ymm0, ymm0, ymm25
+        vpaddd ymm1, ymm1, ymm27
+        vpaddd ymm2, ymm2, ymm24
+        vpaddd ymm3, ymm3, ymm31
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxord ymm12, ymm12, ymm0
+        vpxord ymm13, ymm13, ymm1
+        vpxord ymm14, ymm14, ymm2
+        vpxord ymm15, ymm15, ymm3
+        vprord ymm12, ymm12, 16
+        vprord ymm13, ymm13, 16
+        vprord ymm14, ymm14, 16
+        vprord ymm15, ymm15, 16
+        vpaddd ymm8, ymm8, ymm12
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxord ymm4, ymm4, ymm8
+        vpxord ymm5, ymm5, ymm9
+        vpxord ymm6, ymm6, ymm10
+        vpxord ymm7, ymm7, ymm11
+        vprord ymm4, ymm4, 12
+        vprord ymm5, ymm5, 12
+        vprord ymm6, ymm6, 12
+        vprord ymm7, ymm7, 12
+        vpaddd ymm0, ymm0, ymm30
+        vpaddd ymm1, ymm1, ymm21
+        vpaddd ymm2, ymm2, ymm28
+        vpaddd ymm3, ymm3, ymm17
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxord ymm12, ymm12, ymm0
+        vpxord ymm13, ymm13, ymm1
+        vpxord ymm14, ymm14, ymm2
+        vpxord ymm15, ymm15, ymm3
+        vprord ymm12, ymm12, 8
+        vprord ymm13, ymm13, 8
+        vprord ymm14, ymm14, 8
+        vprord ymm15, ymm15, 8
+        vpaddd ymm8, ymm8, ymm12
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxord ymm4, ymm4, ymm8
+        vpxord ymm5, ymm5, ymm9
+        vpxord ymm6, ymm6, ymm10
+        vpxord ymm7, ymm7, ymm11
+        vprord ymm4, ymm4, 7
+        vprord ymm5, ymm5, 7
+        vprord ymm6, ymm6, 7
+        vprord ymm7, ymm7, 7
+        vpaddd ymm0, ymm0, ymm29
+        vpaddd ymm1, ymm1, ymm16
+        vpaddd ymm2, ymm2, ymm18
+        vpaddd ymm3, ymm3, ymm20
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxord ymm15, ymm15, ymm0
+        vpxord ymm12, ymm12, ymm1
+        vpxord ymm13, ymm13, ymm2
+        vpxord ymm14, ymm14, ymm3
+        vprord ymm15, ymm15, 16
+        vprord ymm12, ymm12, 16
+        vprord ymm13, ymm13, 16
+        vprord ymm14, ymm14, 16
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm8, ymm13
+        vpaddd ymm9, ymm9, ymm14
+        vpxord ymm5, ymm5, ymm10
+        vpxord ymm6, ymm6, ymm11
+        vpxord ymm7, ymm7, ymm8
+        vpxord ymm4, ymm4, ymm9
+        vprord ymm5, ymm5, 12
+        vprord ymm6, ymm6, 12
+        vprord ymm7, ymm7, 12
+        vprord ymm4, ymm4, 12
+        vpaddd ymm0, ymm0, ymm19
+        vpaddd ymm1, ymm1, ymm26
+        vpaddd ymm2, ymm2, ymm22
+        vpaddd ymm3, ymm3, ymm23
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxord ymm15, ymm15, ymm0
+        vpxord ymm12, ymm12, ymm1
+        vpxord ymm13, ymm13, ymm2
+        vpxord ymm14, ymm14, ymm3
+        vprord ymm15, ymm15, 8
+        vprord ymm12, ymm12, 8
+        vprord ymm13, ymm13, 8
+        vprord ymm14, ymm14, 8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm8, ymm13
+        vpaddd ymm9, ymm9, ymm14
+        vpxord ymm5, ymm5, ymm10
+        vpxord ymm6, ymm6, ymm11
+        vpxord ymm7, ymm7, ymm8
+        vpxord ymm4, ymm4, ymm9
+        vprord ymm5, ymm5, 7
+        vprord ymm6, ymm6, 7
+        vprord ymm7, ymm7, 7
+        vprord ymm4, ymm4, 7
+        vpaddd ymm0, ymm0, ymm27
+        vpaddd ymm1, ymm1, ymm21
+        vpaddd ymm2, ymm2, ymm17
+        vpaddd ymm3, ymm3, ymm24
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxord ymm12, ymm12, ymm0
+        vpxord ymm13, ymm13, ymm1
+        vpxord ymm14, ymm14, ymm2
+        vpxord ymm15, ymm15, ymm3
+        vprord ymm12, ymm12, 16
+        vprord ymm13, ymm13, 16
+        vprord ymm14, ymm14, 16
+        vprord ymm15, ymm15, 16
+        vpaddd ymm8, ymm8, ymm12
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxord ymm4, ymm4, ymm8
+        vpxord ymm5, ymm5, ymm9
+        vpxord ymm6, ymm6, ymm10
+        vpxord ymm7, ymm7, ymm11
+        vprord ymm4, ymm4, 12
+        vprord ymm5, ymm5, 12
+        vprord ymm6, ymm6, 12
+        vprord ymm7, ymm7, 12
+        vpaddd ymm0, ymm0, ymm31
+        vpaddd ymm1, ymm1, ymm16
+        vpaddd ymm2, ymm2, ymm25
+        vpaddd ymm3, ymm3, ymm22
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm1, ymm1, ymm5
+        vpaddd ymm2, ymm2, ymm6
+        vpaddd ymm3, ymm3, ymm7
+        vpxord ymm12, ymm12, ymm0
+        vpxord ymm13, ymm13, ymm1
+        vpxord ymm14, ymm14, ymm2
+        vpxord ymm15, ymm15, ymm3
+        vprord ymm12, ymm12, 8
+        vprord ymm13, ymm13, 8
+        vprord ymm14, ymm14, 8
+        vprord ymm15, ymm15, 8
+        vpaddd ymm8, ymm8, ymm12
+        vpaddd ymm9, ymm9, ymm13
+        vpaddd ymm10, ymm10, ymm14
+        vpaddd ymm11, ymm11, ymm15
+        vpxord ymm4, ymm4, ymm8
+        vpxord ymm5, ymm5, ymm9
+        vpxord ymm6, ymm6, ymm10
+        vpxord ymm7, ymm7, ymm11
+        vprord ymm4, ymm4, 7
+        vprord ymm5, ymm5, 7
+        vprord ymm6, ymm6, 7
+        vprord ymm7, ymm7, 7
+        vpaddd ymm0, ymm0, ymm30
+        vpaddd ymm1, ymm1, ymm18
+        vpaddd ymm2, ymm2, ymm19
+        vpaddd ymm3, ymm3, ymm23
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxord ymm15, ymm15, ymm0
+        vpxord ymm12, ymm12, ymm1
+        vpxord ymm13, ymm13, ymm2
+        vpxord ymm14, ymm14, ymm3
+        vprord ymm15, ymm15, 16
+        vprord ymm12, ymm12, 16
+        vprord ymm13, ymm13, 16
+        vprord ymm14, ymm14, 16
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm8, ymm13
+        vpaddd ymm9, ymm9, ymm14
+        vpxord ymm5, ymm5, ymm10
+        vpxord ymm6, ymm6, ymm11
+        vpxord ymm7, ymm7, ymm8
+        vpxord ymm4, ymm4, ymm9
+        vprord ymm5, ymm5, 12
+        vprord ymm6, ymm6, 12
+        vprord ymm7, ymm7, 12
+        vprord ymm4, ymm4, 12
+        vpaddd ymm0, ymm0, ymm26
+        vpaddd ymm1, ymm1, ymm28
+        vpaddd ymm2, ymm2, ymm20
+        vpaddd ymm3, ymm3, ymm29
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm1, ymm1, ymm6
+        vpaddd ymm2, ymm2, ymm7
+        vpaddd ymm3, ymm3, ymm4
+        vpxord ymm15, ymm15, ymm0
+        vpxord ymm12, ymm12, ymm1
+        vpxord ymm13, ymm13, ymm2
+        vpxord ymm14, ymm14, ymm3
+        vprord ymm15, ymm15, 8
+        vprord ymm12, ymm12, 8
+        vprord ymm13, ymm13, 8
+        vprord ymm14, ymm14, 8
+        vpaddd ymm10, ymm10, ymm15
+        vpaddd ymm11, ymm11, ymm12
+        vpaddd ymm8, ymm8, ymm13
+        vpaddd ymm9, ymm9, ymm14
+        vpxord ymm5, ymm5, ymm10
+        vpxord ymm6, ymm6, ymm11
+        vpxord ymm7, ymm7, ymm8
+        vpxord ymm4, ymm4, ymm9
+        vprord ymm5, ymm5, 7
+        vprord ymm6, ymm6, 7
+        vprord ymm7, ymm7, 7
+        vprord ymm4, ymm4, 7
+        vpxor ymm0, ymm0, ymm8
+        vpxor ymm1, ymm1, ymm9
+        vpxor ymm2, ymm2, ymm10
+        vpxor ymm3, ymm3, ymm11
+        vpxor ymm4, ymm4, ymm12
+        vpxor ymm5, ymm5, ymm13
+        vpxor ymm6, ymm6, ymm14
+        vpxor ymm7, ymm7, ymm15
+        movzx eax, byte ptr [rbp+0x38]
+        jne 2b
+        mov rbx, qword ptr [rbp+0x50]
+        vunpcklps ymm8, ymm0, ymm1
+        vunpcklps ymm9, ymm2, ymm3
+        vunpckhps ymm10, ymm0, ymm1
+        vunpcklps ymm11, ymm4, ymm5
+        vunpcklps ymm0, ymm6, ymm7
+        vshufps ymm12, ymm8, ymm9, 78
+        vblendps ymm1, ymm8, ymm12, 0xCC
+        vshufps ymm8, ymm11, ymm0, 78
+        vunpckhps ymm13, ymm2, ymm3
+        vblendps ymm2, ymm11, ymm8, 0xCC
+        vblendps ymm3, ymm12, ymm9, 0xCC
+        vperm2f128 ymm12, ymm1, ymm2, 0x20
+        vmovups ymmword ptr [rbx], ymm12
+        vunpckhps ymm14, ymm4, ymm5
+        vblendps ymm4, ymm8, ymm0, 0xCC
+        vunpckhps ymm15, ymm6, ymm7
+        vperm2f128 ymm7, ymm3, ymm4, 0x20
+        vmovups ymmword ptr [rbx+0x20], ymm7
+        vshufps ymm5, ymm10, ymm13, 78
+        vblendps ymm6, ymm5, ymm13, 0xCC
+        vshufps ymm13, ymm14, ymm15, 78
+        vblendps ymm10, ymm10, ymm5, 0xCC
+        vblendps ymm14, ymm14, ymm13, 0xCC
+        vperm2f128 ymm8, ymm10, ymm14, 0x20
+        vmovups ymmword ptr [rbx+0x40], ymm8
+        vblendps ymm15, ymm13, ymm15, 0xCC
+        vperm2f128 ymm13, ymm6, ymm15, 0x20
+        vmovups ymmword ptr [rbx+0x60], ymm13
+        vperm2f128 ymm9, ymm1, ymm2, 0x31
+        vperm2f128 ymm11, ymm3, ymm4, 0x31
+        vmovups ymmword ptr [rbx+0x80], ymm9
+        vperm2f128 ymm14, ymm10, ymm14, 0x31
+        vperm2f128 ymm15, ymm6, ymm15, 0x31
+        vmovups ymmword ptr [rbx+0xA0], ymm11
+        vmovups ymmword ptr [rbx+0xC0], ymm14
+        vmovups ymmword ptr [rbx+0xE0], ymm15
+        vmovdqa ymm0, ymmword ptr [rsp]
+        vmovdqa ymm2, ymmword ptr [rsp+0x2*0x20]
+        vmovdqa32 ymm0 {{k1}}, ymmword ptr [rsp+0x1*0x20]
+        vmovdqa32 ymm2 {{k1}}, ymmword ptr [rsp+0x3*0x20]
+        vmovdqa ymmword ptr [rsp], ymm0
+        vmovdqa ymmword ptr [rsp+0x2*0x20], ymm2
+        add rbx, 256
+        mov qword ptr [rbp+0x50], rbx
+        add rdi, 64
+        sub rsi, 8
+3:
+        mov rbx, qword ptr [rbp+0x50]
+        mov r15, qword ptr [rsp+0x80]
+        movzx r13, byte ptr [rbp+0x38]
+        movzx r12, byte ptr [rbp+0x48]
+        test esi, 0x4
+        je 3f
+        vbroadcasti32x4 zmm0, xmmword ptr [rcx]
+        vbroadcasti32x4 zmm1, xmmword ptr [rcx+0x1*0x10]
+        vmovdqa xmm12, xmmword ptr [rsp]
+        vmovdqa xmm13, xmmword ptr [rsp+0x4*0x10]
+        vpunpckldq xmm14, xmm12, xmm13
+        vpunpckhdq xmm15, xmm12, xmm13
+        vpermq ymm14, ymm14, 0xDC
+        vpermq ymm15, ymm15, 0xDC
+        vpbroadcastd zmm12, dword ptr [205f+rip]
+        vinserti64x4 zmm13, zmm14, ymm15, 0x01
+        mov eax, 17476
+        kmovw k2, eax
+        vpblendmd zmm13 {{k2}}, zmm13, zmm12
+        vbroadcasti32x4 zmm15, xmmword ptr [206f+rip]
+        mov r8, qword ptr [rdi]
+        mov r9, qword ptr [rdi+0x8]
+        mov r10, qword ptr [rdi+0x10]
+        mov r11, qword ptr [rdi+0x18]
+        mov eax, 43690
+        kmovw k3, eax
+        mov eax, 34952
+        kmovw k4, eax
+        movzx eax, byte ptr [rbp+0x40]
+        or eax, r13d
+        xor edx, edx
+.p2align 5
+2:
+        mov r14d, eax
+        or eax, r12d
+        add rdx, 64
+        cmp rdx, r15
+        cmovne eax, r14d
+        mov dword ptr [rsp+0x88], eax
+        vmovdqa32 zmm2, zmm15
+        vpbroadcastd zmm8, dword ptr [rsp+0x22*0x4]
+        vpblendmd zmm3 {{k4}}, zmm13, zmm8
+        vmovups zmm8, zmmword ptr [r8+rdx-0x1*0x40]
+        vinserti32x4 zmm8, zmm8, xmmword ptr [r9+rdx-0x4*0x10], 0x01
+        vinserti32x4 zmm8, zmm8, xmmword ptr [r10+rdx-0x4*0x10], 0x02
+        vinserti32x4 zmm8, zmm8, xmmword ptr [r11+rdx-0x4*0x10], 0x03
+        vmovups zmm9, zmmword ptr [r8+rdx-0x30]
+        vinserti32x4 zmm9, zmm9, xmmword ptr [r9+rdx-0x3*0x10], 0x01
+        vinserti32x4 zmm9, zmm9, xmmword ptr [r10+rdx-0x3*0x10], 0x02
+        vinserti32x4 zmm9, zmm9, xmmword ptr [r11+rdx-0x3*0x10], 0x03
+        vshufps zmm4, zmm8, zmm9, 136
+        vshufps zmm5, zmm8, zmm9, 221
+        vmovups zmm8, zmmword ptr [r8+rdx-0x20]
+        vinserti32x4 zmm8, zmm8, xmmword ptr [r9+rdx-0x2*0x10], 0x01
+        vinserti32x4 zmm8, zmm8, xmmword ptr [r10+rdx-0x2*0x10], 0x02
+        vinserti32x4 zmm8, zmm8, xmmword ptr [r11+rdx-0x2*0x10], 0x03
+        vmovups zmm9, zmmword ptr [r8+rdx-0x10]
+        vinserti32x4 zmm9, zmm9, xmmword ptr [r9+rdx-0x1*0x10], 0x01
+        vinserti32x4 zmm9, zmm9, xmmword ptr [r10+rdx-0x1*0x10], 0x02
+        vinserti32x4 zmm9, zmm9, xmmword ptr [r11+rdx-0x1*0x10], 0x03
+        vshufps zmm6, zmm8, zmm9, 136
+        vshufps zmm7, zmm8, zmm9, 221
+        vpshufd zmm6, zmm6, 0x93
+        vpshufd zmm7, zmm7, 0x93
+        mov al, 7
+9:
+        vpaddd zmm0, zmm0, zmm4
+        vpaddd zmm0, zmm0, zmm1
+        vpxord zmm3, zmm3, zmm0
+        vprord zmm3, zmm3, 16
+        vpaddd zmm2, zmm2, zmm3
+        vpxord zmm1, zmm1, zmm2
+        vprord zmm1, zmm1, 12
+        vpaddd zmm0, zmm0, zmm5
+        vpaddd zmm0, zmm0, zmm1
+        vpxord zmm3, zmm3, zmm0
+        vprord zmm3, zmm3, 8
+        vpaddd zmm2, zmm2, zmm3
+        vpxord zmm1, zmm1, zmm2
+        vprord zmm1, zmm1, 7
+        vpshufd zmm0, zmm0, 0x93
+        vpshufd zmm3, zmm3, 0x4E
+        vpshufd zmm2, zmm2, 0x39
+        vpaddd zmm0, zmm0, zmm6
+        vpaddd zmm0, zmm0, zmm1
+        vpxord zmm3, zmm3, zmm0
+        vprord zmm3, zmm3, 16
+        vpaddd zmm2, zmm2, zmm3
+        vpxord zmm1, zmm1, zmm2
+        vprord zmm1, zmm1, 12
+        vpaddd zmm0, zmm0, zmm7
+        vpaddd zmm0, zmm0, zmm1
+        vpxord zmm3, zmm3, zmm0
+        vprord zmm3, zmm3, 8
+        vpaddd zmm2, zmm2, zmm3
+        vpxord zmm1, zmm1, zmm2
+        vprord zmm1, zmm1, 7
+        vpshufd zmm0, zmm0, 0x39
+        vpshufd zmm3, zmm3, 0x4E
+        vpshufd zmm2, zmm2, 0x93
+        dec al
+        jz 9f
+        vshufps zmm8, zmm4, zmm5, 214
+        vpshufd zmm9, zmm4, 0x0F
+        vpshufd zmm4, zmm8, 0x39
+        vshufps zmm8, zmm6, zmm7, 250
+        vpblendmd zmm9 {{k3}}, zmm9, zmm8
+        vpunpcklqdq zmm8, zmm7, zmm5
+        vpblendmd zmm8 {{k4}}, zmm8, zmm6
+        vpshufd zmm8, zmm8, 0x78
+        vpunpckhdq zmm5, zmm5, zmm7
+        vpunpckldq zmm6, zmm6, zmm5
+        vpshufd zmm7, zmm6, 0x1E
+        vmovdqa32 zmm5, zmm9
+        vmovdqa32 zmm6, zmm8
+        jmp 9b
+9:
+        vpxord zmm0, zmm0, zmm2
+        vpxord zmm1, zmm1, zmm3
+        mov eax, r13d
+        cmp rdx, r15
+        jne 2b
+        vmovdqu xmmword ptr [rbx], xmm0
+        vmovdqu xmmword ptr [rbx+0x10], xmm1
+        vextracti128 xmmword ptr [rbx+0x20], ymm0, 0x01
+        vextracti128 xmmword ptr [rbx+0x30], ymm1, 0x01
+        vextracti32x4 xmmword ptr [rbx+0x4*0x10], zmm0, 0x02
+        vextracti32x4 xmmword ptr [rbx+0x5*0x10], zmm1, 0x02
+        vextracti32x4 xmmword ptr [rbx+0x6*0x10], zmm0, 0x03
+        vextracti32x4 xmmword ptr [rbx+0x7*0x10], zmm1, 0x03
+        vmovdqa xmm0, xmmword ptr [rsp]
+        vmovdqa xmm2, xmmword ptr [rsp+0x40]
+        vmovdqa32 xmm0 {{k1}}, xmmword ptr [rsp+0x1*0x10]
+        vmovdqa32 xmm2 {{k1}}, xmmword ptr [rsp+0x5*0x10]
+        vmovdqa xmmword ptr [rsp], xmm0
+        vmovdqa xmmword ptr [rsp+0x40], xmm2
+        add rbx, 128
+        add rdi, 32
+        sub rsi, 4
+3:
+        test esi, 0x2
+        je 3f
+        vbroadcasti128 ymm0, xmmword ptr [rcx]
+        vbroadcasti128 ymm1, xmmword ptr [rcx+0x10]
+        vmovd xmm13, dword ptr [rsp]
+        vpinsrd xmm13, xmm13, dword ptr [rsp+0x40], 1
+        vpinsrd xmm13, xmm13, dword ptr [205f+rip], 2
+        vmovd xmm14, dword ptr [rsp+0x4]
+        vpinsrd xmm14, xmm14, dword ptr [rsp+0x44], 1
+        vpinsrd xmm14, xmm14, dword ptr [205f+rip], 2
+        vinserti128 ymm13, ymm13, xmm14, 0x01
+        mov r8, qword ptr [rdi]
+        mov r9, qword ptr [rdi+0x8]
+        movzx eax, byte ptr [rbp+0x40]
+        or eax, r13d
+        xor edx, edx
+.p2align 5
+2:
+        mov r14d, eax
+        or eax, r12d
+        add rdx, 64
+        cmp rdx, r15
+        cmovne eax, r14d
+        mov dword ptr [rsp+0x88], eax
+        vbroadcasti128 ymm2, xmmword ptr [206f+rip]
+        vpbroadcastd ymm8, dword ptr [rsp+0x88]
+        vpblendd ymm3, ymm13, ymm8, 0x88
+        vmovups ymm8, ymmword ptr [r8+rdx-0x40]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r9+rdx-0x40], 0x01
+        vmovups ymm9, ymmword ptr [r8+rdx-0x30]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r9+rdx-0x30], 0x01
+        vshufps ymm4, ymm8, ymm9, 136
+        vshufps ymm5, ymm8, ymm9, 221
+        vmovups ymm8, ymmword ptr [r8+rdx-0x20]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r9+rdx-0x20], 0x01
+        vmovups ymm9, ymmword ptr [r8+rdx-0x10]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r9+rdx-0x10], 0x01
+        vshufps ymm6, ymm8, ymm9, 136
+        vshufps ymm7, ymm8, ymm9, 221
+        vpshufd ymm6, ymm6, 0x93
+        vpshufd ymm7, ymm7, 0x93
+        mov al, 7
+9:
+        vpaddd ymm0, ymm0, ymm4
+        vpaddd ymm0, ymm0, ymm1
+        vpxord ymm3, ymm3, ymm0
+        vprord ymm3, ymm3, 16
+        vpaddd ymm2, ymm2, ymm3
+        vpxord ymm1, ymm1, ymm2
+        vprord ymm1, ymm1, 12
+        vpaddd ymm0, ymm0, ymm5
+        vpaddd ymm0, ymm0, ymm1
+        vpxord ymm3, ymm3, ymm0
+        vprord ymm3, ymm3, 8
+        vpaddd ymm2, ymm2, ymm3
+        vpxord ymm1, ymm1, ymm2
+        vprord ymm1, ymm1, 7
+        vpshufd ymm0, ymm0, 0x93
+        vpshufd ymm3, ymm3, 0x4E
+        vpshufd ymm2, ymm2, 0x39
+        vpaddd ymm0, ymm0, ymm6
+        vpaddd ymm0, ymm0, ymm1
+        vpxord ymm3, ymm3, ymm0
+        vprord ymm3, ymm3, 16
+        vpaddd ymm2, ymm2, ymm3
+        vpxord ymm1, ymm1, ymm2
+        vprord ymm1, ymm1, 12
+        vpaddd ymm0, ymm0, ymm7
+        vpaddd ymm0, ymm0, ymm1
+        vpxord ymm3, ymm3, ymm0
+        vprord ymm3, ymm3, 8
+        vpaddd ymm2, ymm2, ymm3
+        vpxord ymm1, ymm1, ymm2
+        vprord ymm1, ymm1, 7
+        vpshufd ymm0, ymm0, 0x39
+        vpshufd ymm3, ymm3, 0x4E
+        vpshufd ymm2, ymm2, 0x93
+        dec al
+        jz 9f
+        vshufps ymm8, ymm4, ymm5, 214
+        vpshufd ymm9, ymm4, 0x0F
+        vpshufd ymm4, ymm8, 0x39
+        vshufps ymm8, ymm6, ymm7, 250
+        vpblendd ymm9, ymm9, ymm8, 0xAA
+        vpunpcklqdq ymm8, ymm7, ymm5
+        vpblendd ymm8, ymm8, ymm6, 0x88
+        vpshufd ymm8, ymm8, 0x78
+        vpunpckhdq ymm5, ymm5, ymm7
+        vpunpckldq ymm6, ymm6, ymm5
+        vpshufd ymm7, ymm6, 0x1E
+        vmovdqa ymm5, ymm9
+        vmovdqa ymm6, ymm8
+        jmp 9b
+9:
+        vpxor ymm0, ymm0, ymm2
+        vpxor ymm1, ymm1, ymm3
+        mov eax, r13d
+        cmp rdx, r15
+        jne 2b
+        vmovdqu xmmword ptr [rbx], xmm0
+        vmovdqu xmmword ptr [rbx+0x10], xmm1
+        vextracti128 xmmword ptr [rbx+0x20], ymm0, 0x01
+        vextracti128 xmmword ptr [rbx+0x30], ymm1, 0x01
+        vmovdqa xmm0, xmmword ptr [rsp]
+        vmovdqa xmm2, xmmword ptr [rsp+0x4*0x10]
+        vmovdqu32 xmm0 {{k1}}, xmmword ptr [rsp+0x8]
+        vmovdqu32 xmm2 {{k1}}, xmmword ptr [rsp+0x48]
+        vmovdqa xmmword ptr [rsp], xmm0
+        vmovdqa xmmword ptr [rsp+0x4*0x10], xmm2
+        add rbx, 64
+        add rdi, 16
+        sub rsi, 2
+3:
+        test esi, 0x1
+        je 4b
+        vmovdqu xmm0, xmmword ptr [rcx]
+        vmovdqu xmm1, xmmword ptr [rcx+0x10]
+        vmovd xmm14, dword ptr [rsp]
+        vpinsrd xmm14, xmm14, dword ptr [rsp+0x40], 1
+        vpinsrd xmm14, xmm14, dword ptr [205f+rip], 2
+        vmovdqa xmm15, xmmword ptr [206f+rip]
+        mov r8, qword ptr [rdi]
+        movzx eax, byte ptr [rbp+0x40]
+        or eax, r13d
+        xor edx, edx
+.p2align 5
+2:
+        mov r14d, eax
+        or eax, r12d
+        add rdx, 64
+        cmp rdx, r15
+        cmovne eax, r14d
+        vpinsrd xmm3, xmm14, eax, 3
+        vmovdqa xmm2, xmm15
+        vmovups xmm8, xmmword ptr [r8+rdx-0x40]
+        vmovups xmm9, xmmword ptr [r8+rdx-0x30]
+        vshufps xmm4, xmm8, xmm9, 136
+        vshufps xmm5, xmm8, xmm9, 221
+        vmovups xmm8, xmmword ptr [r8+rdx-0x20]
+        vmovups xmm9, xmmword ptr [r8+rdx-0x10]
+        vshufps xmm6, xmm8, xmm9, 136
+        vshufps xmm7, xmm8, xmm9, 221
+        vpshufd xmm6, xmm6, 0x93
+        vpshufd xmm7, xmm7, 0x93
+        mov al, 7
+9:
+        vpaddd xmm0, xmm0, xmm4
+        vpaddd xmm0, xmm0, xmm1
+        vpxord xmm3, xmm3, xmm0
+        vprord xmm3, xmm3, 16
+        vpaddd xmm2, xmm2, xmm3
+        vpxord xmm1, xmm1, xmm2
+        vprord xmm1, xmm1, 12
+        vpaddd xmm0, xmm0, xmm5
+        vpaddd xmm0, xmm0, xmm1
+        vpxord xmm3, xmm3, xmm0
+        vprord xmm3, xmm3, 8
+        vpaddd xmm2, xmm2, xmm3
+        vpxord xmm1, xmm1, xmm2
+        vprord xmm1, xmm1, 7
+        vpshufd xmm0, xmm0, 0x93
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x39
+        vpaddd xmm0, xmm0, xmm6
+        vpaddd xmm0, xmm0, xmm1
+        vpxord xmm3, xmm3, xmm0
+        vprord xmm3, xmm3, 16
+        vpaddd xmm2, xmm2, xmm3
+        vpxord xmm1, xmm1, xmm2
+        vprord xmm1, xmm1, 12
+        vpaddd xmm0, xmm0, xmm7
+        vpaddd xmm0, xmm0, xmm1
+        vpxord xmm3, xmm3, xmm0
+        vprord xmm3, xmm3, 8
+        vpaddd xmm2, xmm2, xmm3
+        vpxord xmm1, xmm1, xmm2
+        vprord xmm1, xmm1, 7
+        vpshufd xmm0, xmm0, 0x39
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x93
+        dec al
+        jz 9f
+        vshufps xmm8, xmm4, xmm5, 214
+        vpshufd xmm9, xmm4, 0x0F
+        vpshufd xmm4, xmm8, 0x39
+        vshufps xmm8, xmm6, xmm7, 250
+        vpblendd xmm9, xmm9, xmm8, 0xAA
+        vpunpcklqdq xmm8, xmm7, xmm5
+        vpblendd xmm8, xmm8, xmm6, 0x88
+        vpshufd xmm8, xmm8, 0x78
+        vpunpckhdq xmm5, xmm5, xmm7
+        vpunpckldq xmm6, xmm6, xmm5
+        vpshufd xmm7, xmm6, 0x1E
+        vmovdqa xmm5, xmm9
+        vmovdqa xmm6, xmm8
+        jmp 9b
+9:
+        vpxor xmm0, xmm0, xmm2
+        vpxor xmm1, xmm1, xmm3
+        mov eax, r13d
+        cmp rdx, r15
+        jne 2b
+        vmovdqu xmmword ptr [rbx], xmm0
+        vmovdqu xmmword ptr [rbx+0x10], xmm1
+        jmp 4b
+.p2align 6
+_blake3_compress_in_place_avx512:
+blake3_compress_in_place_avx512:
+       
+        vmovdqu xmm0, xmmword ptr [rdi]
+        vmovdqu xmm1, xmmword ptr [rdi+0x10]
+        movzx eax, r8b
+        movzx edx, dl
+        shl rax, 32
+        add rdx, rax
+        vmovq xmm3, rcx
+        vmovq xmm4, rdx
+        vpunpcklqdq xmm3, xmm3, xmm4
+        vmovaps xmm2, xmmword ptr [206f+rip]
+        vmovups xmm8, xmmword ptr [rsi]
+        vmovups xmm9, xmmword ptr [rsi+0x10]
+        vshufps xmm4, xmm8, xmm9, 136
+        vshufps xmm5, xmm8, xmm9, 221
+        vmovups xmm8, xmmword ptr [rsi+0x20]
+        vmovups xmm9, xmmword ptr [rsi+0x30]
+        vshufps xmm6, xmm8, xmm9, 136
+        vshufps xmm7, xmm8, xmm9, 221
+        vpshufd xmm6, xmm6, 0x93
+        vpshufd xmm7, xmm7, 0x93
+        mov al, 7
+9:
+        vpaddd xmm0, xmm0, xmm4
+        vpaddd xmm0, xmm0, xmm1
+        vpxord xmm3, xmm3, xmm0
+        vprord xmm3, xmm3, 16
+        vpaddd xmm2, xmm2, xmm3
+        vpxord xmm1, xmm1, xmm2
+        vprord xmm1, xmm1, 12
+        vpaddd xmm0, xmm0, xmm5
+        vpaddd xmm0, xmm0, xmm1
+        vpxord xmm3, xmm3, xmm0
+        vprord xmm3, xmm3, 8
+        vpaddd xmm2, xmm2, xmm3
+        vpxord xmm1, xmm1, xmm2
+        vprord xmm1, xmm1, 7
+        vpshufd xmm0, xmm0, 0x93
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x39
+        vpaddd xmm0, xmm0, xmm6
+        vpaddd xmm0, xmm0, xmm1
+        vpxord xmm3, xmm3, xmm0
+        vprord xmm3, xmm3, 16
+        vpaddd xmm2, xmm2, xmm3
+        vpxord xmm1, xmm1, xmm2
+        vprord xmm1, xmm1, 12
+        vpaddd xmm0, xmm0, xmm7
+        vpaddd xmm0, xmm0, xmm1
+        vpxord xmm3, xmm3, xmm0
+        vprord xmm3, xmm3, 8
+        vpaddd xmm2, xmm2, xmm3
+        vpxord xmm1, xmm1, xmm2
+        vprord xmm1, xmm1, 7
+        vpshufd xmm0, xmm0, 0x39
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x93
+        dec al
+        jz 9f
+        vshufps xmm8, xmm4, xmm5, 214
+        vpshufd xmm9, xmm4, 0x0F
+        vpshufd xmm4, xmm8, 0x39
+        vshufps xmm8, xmm6, xmm7, 250
+        vpblendd xmm9, xmm9, xmm8, 0xAA
+        vpunpcklqdq xmm8, xmm7, xmm5
+        vpblendd xmm8, xmm8, xmm6, 0x88
+        vpshufd xmm8, xmm8, 0x78
+        vpunpckhdq xmm5, xmm5, xmm7
+        vpunpckldq xmm6, xmm6, xmm5
+        vpshufd xmm7, xmm6, 0x1E
+        vmovdqa xmm5, xmm9
+        vmovdqa xmm6, xmm8
+        jmp 9b
+9:
+        vpxor xmm0, xmm0, xmm2
+        vpxor xmm1, xmm1, xmm3
+        vmovdqu xmmword ptr [rdi], xmm0
+        vmovdqu xmmword ptr [rdi+0x10], xmm1
+        ret
+
+.p2align 6
+_blake3_compress_xof_avx512:
+blake3_compress_xof_avx512:
+       
+        vmovdqu xmm0, xmmword ptr [rdi]
+        vmovdqu xmm1, xmmword ptr [rdi+0x10]
+        movzx eax, r8b
+        movzx edx, dl
+        shl rax, 32
+        add rdx, rax
+        vmovq xmm3, rcx
+        vmovq xmm4, rdx
+        vpunpcklqdq xmm3, xmm3, xmm4
+        vmovaps xmm2, xmmword ptr [206f+rip]
+        vmovups xmm8, xmmword ptr [rsi]
+        vmovups xmm9, xmmword ptr [rsi+0x10]
+        vshufps xmm4, xmm8, xmm9, 136
+        vshufps xmm5, xmm8, xmm9, 221
+        vmovups xmm8, xmmword ptr [rsi+0x20]
+        vmovups xmm9, xmmword ptr [rsi+0x30]
+        vshufps xmm6, xmm8, xmm9, 136
+        vshufps xmm7, xmm8, xmm9, 221
+        vpshufd xmm6, xmm6, 0x93
+        vpshufd xmm7, xmm7, 0x93
+        mov al, 7
+9:
+        vpaddd xmm0, xmm0, xmm4
+        vpaddd xmm0, xmm0, xmm1
+        vpxord xmm3, xmm3, xmm0
+        vprord xmm3, xmm3, 16
+        vpaddd xmm2, xmm2, xmm3
+        vpxord xmm1, xmm1, xmm2
+        vprord xmm1, xmm1, 12
+        vpaddd xmm0, xmm0, xmm5
+        vpaddd xmm0, xmm0, xmm1
+        vpxord xmm3, xmm3, xmm0
+        vprord xmm3, xmm3, 8
+        vpaddd xmm2, xmm2, xmm3
+        vpxord xmm1, xmm1, xmm2
+        vprord xmm1, xmm1, 7
+        vpshufd xmm0, xmm0, 0x93
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x39
+        vpaddd xmm0, xmm0, xmm6
+        vpaddd xmm0, xmm0, xmm1
+        vpxord xmm3, xmm3, xmm0
+        vprord xmm3, xmm3, 16
+        vpaddd xmm2, xmm2, xmm3
+        vpxord xmm1, xmm1, xmm2
+        vprord xmm1, xmm1, 12
+        vpaddd xmm0, xmm0, xmm7
+        vpaddd xmm0, xmm0, xmm1
+        vpxord xmm3, xmm3, xmm0
+        vprord xmm3, xmm3, 8
+        vpaddd xmm2, xmm2, xmm3
+        vpxord xmm1, xmm1, xmm2
+        vprord xmm1, xmm1, 7
+        vpshufd xmm0, xmm0, 0x39
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x93
+        dec al
+        jz 9f
+        vshufps xmm8, xmm4, xmm5, 214
+        vpshufd xmm9, xmm4, 0x0F
+        vpshufd xmm4, xmm8, 0x39
+        vshufps xmm8, xmm6, xmm7, 250
+        vpblendd xmm9, xmm9, xmm8, 0xAA
+        vpunpcklqdq xmm8, xmm7, xmm5
+        vpblendd xmm8, xmm8, xmm6, 0x88
+        vpshufd xmm8, xmm8, 0x78
+        vpunpckhdq xmm5, xmm5, xmm7
+        vpunpckldq xmm6, xmm6, xmm5
+        vpshufd xmm7, xmm6, 0x1E
+        vmovdqa xmm5, xmm9
+        vmovdqa xmm6, xmm8
+        jmp 9b
+9:
+        vpxor xmm0, xmm0, xmm2
+        vpxor xmm1, xmm1, xmm3
+        vpxor xmm2, xmm2, [rdi]
+        vpxor xmm3, xmm3, [rdi+0x10]
+        vmovdqu xmmword ptr [r9], xmm0
+        vmovdqu xmmword ptr [r9+0x10], xmm1
+        vmovdqu xmmword ptr [r9+0x20], xmm2
+        vmovdqu xmmword ptr [r9+0x30], xmm3
+        ret
+
+
+
+
+.section .rodata
+
+.p2align 6
+200:
+        .long 0, 1, 2, 3, 16, 17, 18, 19
+        .long 8, 9, 10, 11, 24, 25, 26, 27
+201:
+        .long 4, 5, 6, 7, 20, 21, 22, 23
+        .long 12, 13, 14, 15, 28, 29, 30, 31
+202:
+        .long 0, 1, 2, 3, 4, 5, 6, 7
+        .long 8, 9, 10, 11, 12, 13, 14, 15
+203: .long 1
+
+204: .long 16
+205:
+        .long 64
+.p2align 6
+206:
+207:
+        .long 0x6A09E667
+208:
+        .long 0xBB67AE85
+209:
+        .long 0x3C6EF372
+210:
+        .long 0xA54FF53A
diff --git a/ext/blake3-smol/src/asm/blake3_avx512_x86-64_windows_gnu.S b/ext/blake3-smol/src/asm/blake3_avx512_x86-64_windows_gnu.S
new file mode 100644 (file)
index 0000000..f357bf1
--- /dev/null
@@ -0,0 +1,2613 @@
+.global _blake3_hash_many_avx512
+.global blake3_hash_many_avx512
+.global blake3_compress_in_place_avx512
+.global _blake3_compress_in_place_avx512
+.global blake3_compress_xof_avx512
+.global _blake3_compress_xof_avx512
+
+.section .text
+.p2align  6
+_blake3_hash_many_avx512:
+blake3_hash_many_avx512:
+        push    r15
+        push    r14
+        push    r13
+        push    r12
+        push    rdi
+        push    rsi
+        push    rbx
+        push    rbp
+        mov     rbp, rsp
+        sub     rsp, 304
+        and     rsp, 0xFFFFFFFFFFFFFFC0
+        vmovdqa xmmword ptr [rsp+0x90], xmm6
+        vmovdqa xmmword ptr [rsp+0xA0], xmm7
+        vmovdqa xmmword ptr [rsp+0xB0], xmm8
+        vmovdqa xmmword ptr [rsp+0xC0], xmm9
+        vmovdqa xmmword ptr [rsp+0xD0], xmm10
+        vmovdqa xmmword ptr [rsp+0xE0], xmm11
+        vmovdqa xmmword ptr [rsp+0xF0], xmm12
+        vmovdqa xmmword ptr [rsp+0x100], xmm13
+        vmovdqa xmmword ptr [rsp+0x110], xmm14
+        vmovdqa xmmword ptr [rsp+0x120], xmm15
+        mov     rdi, rcx
+        mov     rsi, rdx
+        mov     rdx, r8
+        mov     rcx, r9
+        mov     r8, qword ptr [rbp+0x68]
+        movzx   r9, byte ptr [rbp+0x70]
+        neg     r9
+        kmovw   k1, r9d
+        vmovd   xmm0, r8d
+        vpbroadcastd ymm0, xmm0
+        shr     r8, 32
+        vmovd   xmm1, r8d
+        vpbroadcastd ymm1, xmm1
+        vmovdqa ymm4, ymm1
+        vmovdqa ymm5, ymm1
+        vpaddd  ymm2, ymm0, ymmword ptr [ADD0+rip]
+        vpaddd  ymm3, ymm0, ymmword ptr [ADD0+32+rip]
+        vpcmpltud k2, ymm2, ymm0
+        vpcmpltud k3, ymm3, ymm0
+        vpaddd  ymm4 {{k2}}, ymm4, dword ptr [ADD1+rip] {{1to8}}
+        vpaddd  ymm5 {{k3}}, ymm5, dword ptr [ADD1+rip] {{1to8}}
+        knotw   k2, k1
+        vmovdqa32 ymm2 {{k2}}, ymm0
+        vmovdqa32 ymm3 {{k2}}, ymm0
+        vmovdqa32 ymm4 {{k2}}, ymm1
+        vmovdqa32 ymm5 {{k2}}, ymm1
+        vmovdqa ymmword ptr [rsp], ymm2
+        vmovdqa ymmword ptr [rsp+0x20], ymm3
+        vmovdqa ymmword ptr [rsp+0x40], ymm4
+        vmovdqa ymmword ptr [rsp+0x60], ymm5
+        shl     rdx, 6
+        mov     qword ptr [rsp+0x80], rdx
+        cmp     rsi, 16
+        jc      3f
+2:
+        vpbroadcastd zmm0, dword ptr [rcx]
+        vpbroadcastd zmm1, dword ptr [rcx+0x1*0x4]
+        vpbroadcastd zmm2, dword ptr [rcx+0x2*0x4]
+        vpbroadcastd zmm3, dword ptr [rcx+0x3*0x4]
+        vpbroadcastd zmm4, dword ptr [rcx+0x4*0x4]
+        vpbroadcastd zmm5, dword ptr [rcx+0x5*0x4]
+        vpbroadcastd zmm6, dword ptr [rcx+0x6*0x4]
+        vpbroadcastd zmm7, dword ptr [rcx+0x7*0x4]
+        movzx   eax, byte ptr [rbp+0x78]
+        movzx   ebx, byte ptr [rbp+0x80]
+        or      eax, ebx
+        xor     edx, edx
+.p2align 5
+9:
+        movzx   ebx, byte ptr [rbp+0x88]
+        or      ebx, eax
+        add     rdx, 64
+        cmp     rdx, qword ptr [rsp+0x80]
+        cmove   eax, ebx
+        mov     dword ptr [rsp+0x88], eax
+        mov     r8, qword ptr [rdi]
+        mov     r9, qword ptr [rdi+0x8]
+        mov     r10, qword ptr [rdi+0x10]
+        mov     r11, qword ptr [rdi+0x18]
+        mov     r12, qword ptr [rdi+0x40]
+        mov     r13, qword ptr [rdi+0x48]
+        mov     r14, qword ptr [rdi+0x50]
+        mov     r15, qword ptr [rdi+0x58]
+        vmovdqu32 ymm16, ymmword ptr [rdx+r8-0x2*0x20]
+        vinserti64x4 zmm16, zmm16, ymmword ptr [rdx+r12-0x2*0x20], 0x01
+        vmovdqu32 ymm17, ymmword ptr [rdx+r9-0x2*0x20]
+        vinserti64x4 zmm17, zmm17, ymmword ptr [rdx+r13-0x2*0x20], 0x01
+        vpunpcklqdq zmm8, zmm16, zmm17
+        vpunpckhqdq zmm9, zmm16, zmm17
+        vmovdqu32 ymm18, ymmword ptr [rdx+r10-0x2*0x20]
+        vinserti64x4 zmm18, zmm18, ymmword ptr [rdx+r14-0x2*0x20], 0x01
+        vmovdqu32 ymm19, ymmword ptr [rdx+r11-0x2*0x20]
+        vinserti64x4 zmm19, zmm19, ymmword ptr [rdx+r15-0x2*0x20], 0x01
+        vpunpcklqdq zmm10, zmm18, zmm19
+        vpunpckhqdq zmm11, zmm18, zmm19
+        mov     r8, qword ptr [rdi+0x20]
+        mov     r9, qword ptr [rdi+0x28]
+        mov     r10, qword ptr [rdi+0x30]
+        mov     r11, qword ptr [rdi+0x38]
+        mov     r12, qword ptr [rdi+0x60]
+        mov     r13, qword ptr [rdi+0x68]
+        mov     r14, qword ptr [rdi+0x70]
+        mov     r15, qword ptr [rdi+0x78]
+        vmovdqu32 ymm16, ymmword ptr [rdx+r8-0x2*0x20]
+        vinserti64x4 zmm16, zmm16, ymmword ptr [rdx+r12-0x2*0x20], 0x01
+        vmovdqu32 ymm17, ymmword ptr [rdx+r9-0x2*0x20]
+        vinserti64x4 zmm17, zmm17, ymmword ptr [rdx+r13-0x2*0x20], 0x01
+        vpunpcklqdq zmm12, zmm16, zmm17
+        vpunpckhqdq zmm13, zmm16, zmm17
+        vmovdqu32 ymm18, ymmword ptr [rdx+r10-0x2*0x20]
+        vinserti64x4 zmm18, zmm18, ymmword ptr [rdx+r14-0x2*0x20], 0x01
+        vmovdqu32 ymm19, ymmword ptr [rdx+r11-0x2*0x20]
+        vinserti64x4 zmm19, zmm19, ymmword ptr [rdx+r15-0x2*0x20], 0x01
+        vpunpcklqdq zmm14, zmm18, zmm19
+        vpunpckhqdq zmm15, zmm18, zmm19
+        vmovdqa32 zmm27, zmmword ptr [INDEX0+rip]
+        vmovdqa32 zmm31, zmmword ptr [INDEX1+rip]
+        vshufps zmm16, zmm8, zmm10, 136
+        vshufps zmm17, zmm12, zmm14, 136
+        vmovdqa32 zmm20, zmm16
+        vpermt2d zmm16, zmm27, zmm17
+        vpermt2d zmm20, zmm31, zmm17
+        vshufps zmm17, zmm8, zmm10, 221
+        vshufps zmm30, zmm12, zmm14, 221
+        vmovdqa32 zmm21, zmm17
+        vpermt2d zmm17, zmm27, zmm30
+        vpermt2d zmm21, zmm31, zmm30
+        vshufps zmm18, zmm9, zmm11, 136
+        vshufps zmm8, zmm13, zmm15, 136
+        vmovdqa32 zmm22, zmm18
+        vpermt2d zmm18, zmm27, zmm8
+        vpermt2d zmm22, zmm31, zmm8
+        vshufps zmm19, zmm9, zmm11, 221
+        vshufps zmm8, zmm13, zmm15, 221
+        vmovdqa32 zmm23, zmm19
+        vpermt2d zmm19, zmm27, zmm8
+        vpermt2d zmm23, zmm31, zmm8
+        mov     r8, qword ptr [rdi]
+        mov     r9, qword ptr [rdi+0x8]
+        mov     r10, qword ptr [rdi+0x10]
+        mov     r11, qword ptr [rdi+0x18]
+        mov     r12, qword ptr [rdi+0x40]
+        mov     r13, qword ptr [rdi+0x48]
+        mov     r14, qword ptr [rdi+0x50]
+        mov     r15, qword ptr [rdi+0x58]
+        vmovdqu32 ymm24, ymmword ptr [r8+rdx-0x1*0x20]
+        vinserti64x4 zmm24, zmm24, ymmword ptr [r12+rdx-0x1*0x20], 0x01
+        vmovdqu32 ymm25, ymmword ptr [r9+rdx-0x1*0x20]
+        vinserti64x4 zmm25, zmm25, ymmword ptr [r13+rdx-0x1*0x20], 0x01
+        vpunpcklqdq zmm8, zmm24, zmm25
+        vpunpckhqdq zmm9, zmm24, zmm25
+        vmovdqu32 ymm24, ymmword ptr [r10+rdx-0x1*0x20]
+        vinserti64x4 zmm24, zmm24, ymmword ptr [r14+rdx-0x1*0x20], 0x01
+        vmovdqu32 ymm25, ymmword ptr [r11+rdx-0x1*0x20]
+        vinserti64x4 zmm25, zmm25, ymmword ptr [r15+rdx-0x1*0x20], 0x01
+        vpunpcklqdq zmm10, zmm24, zmm25
+        vpunpckhqdq zmm11, zmm24, zmm25
+        prefetcht0 [r8+rdx+0x80]
+        prefetcht0 [r12+rdx+0x80]
+        prefetcht0 [r9+rdx+0x80]
+        prefetcht0 [r13+rdx+0x80]
+        prefetcht0 [r10+rdx+0x80]
+        prefetcht0 [r14+rdx+0x80]
+        prefetcht0 [r11+rdx+0x80]
+        prefetcht0 [r15+rdx+0x80]
+        mov     r8, qword ptr [rdi+0x20]
+        mov     r9, qword ptr [rdi+0x28]
+        mov     r10, qword ptr [rdi+0x30]
+        mov     r11, qword ptr [rdi+0x38]
+        mov     r12, qword ptr [rdi+0x60]
+        mov     r13, qword ptr [rdi+0x68]
+        mov     r14, qword ptr [rdi+0x70]
+        mov     r15, qword ptr [rdi+0x78]
+        vmovdqu32 ymm24, ymmword ptr [r8+rdx-0x1*0x20]
+        vinserti64x4 zmm24, zmm24, ymmword ptr [r12+rdx-0x1*0x20], 0x01
+        vmovdqu32 ymm25, ymmword ptr [r9+rdx-0x1*0x20]
+        vinserti64x4 zmm25, zmm25, ymmword ptr [r13+rdx-0x1*0x20], 0x01
+        vpunpcklqdq zmm12, zmm24, zmm25
+        vpunpckhqdq zmm13, zmm24, zmm25
+        vmovdqu32 ymm24, ymmword ptr [r10+rdx-0x1*0x20]
+        vinserti64x4 zmm24, zmm24, ymmword ptr [r14+rdx-0x1*0x20], 0x01
+        vmovdqu32 ymm25, ymmword ptr [r11+rdx-0x1*0x20]
+        vinserti64x4 zmm25, zmm25, ymmword ptr [r15+rdx-0x1*0x20], 0x01
+        vpunpcklqdq zmm14, zmm24, zmm25
+        vpunpckhqdq zmm15, zmm24, zmm25
+        prefetcht0 [r8+rdx+0x80]
+        prefetcht0 [r12+rdx+0x80]
+        prefetcht0 [r9+rdx+0x80]
+        prefetcht0 [r13+rdx+0x80]
+        prefetcht0 [r10+rdx+0x80]
+        prefetcht0 [r14+rdx+0x80]
+        prefetcht0 [r11+rdx+0x80]
+        prefetcht0 [r15+rdx+0x80]
+        vshufps zmm24, zmm8, zmm10, 136
+        vshufps zmm30, zmm12, zmm14, 136
+        vmovdqa32 zmm28, zmm24
+        vpermt2d zmm24, zmm27, zmm30
+        vpermt2d zmm28, zmm31, zmm30
+        vshufps zmm25, zmm8, zmm10, 221
+        vshufps zmm30, zmm12, zmm14, 221
+        vmovdqa32 zmm29, zmm25
+        vpermt2d zmm25, zmm27, zmm30
+        vpermt2d zmm29, zmm31, zmm30
+        vshufps zmm26, zmm9, zmm11, 136
+        vshufps zmm8, zmm13, zmm15, 136
+        vmovdqa32 zmm30, zmm26
+        vpermt2d zmm26, zmm27, zmm8
+        vpermt2d zmm30, zmm31, zmm8
+        vshufps zmm8, zmm9, zmm11, 221
+        vshufps zmm10, zmm13, zmm15, 221
+        vpermi2d zmm27, zmm8, zmm10
+        vpermi2d zmm31, zmm8, zmm10
+        vpbroadcastd zmm8, dword ptr [BLAKE3_IV_0+rip]
+        vpbroadcastd zmm9, dword ptr [BLAKE3_IV_1+rip]
+        vpbroadcastd zmm10, dword ptr [BLAKE3_IV_2+rip]
+        vpbroadcastd zmm11, dword ptr [BLAKE3_IV_3+rip]
+        vmovdqa32 zmm12, zmmword ptr [rsp]
+        vmovdqa32 zmm13, zmmword ptr [rsp+0x1*0x40]
+        vpbroadcastd zmm14, dword ptr [BLAKE3_BLOCK_LEN+rip]
+        vpbroadcastd zmm15, dword ptr [rsp+0x22*0x4]
+        vpaddd  zmm0, zmm0, zmm16
+        vpaddd  zmm1, zmm1, zmm18
+        vpaddd  zmm2, zmm2, zmm20
+        vpaddd  zmm3, zmm3, zmm22
+        vpaddd  zmm0, zmm0, zmm4
+        vpaddd  zmm1, zmm1, zmm5
+        vpaddd  zmm2, zmm2, zmm6
+        vpaddd  zmm3, zmm3, zmm7
+        vpxord  zmm12, zmm12, zmm0
+        vpxord  zmm13, zmm13, zmm1
+        vpxord  zmm14, zmm14, zmm2
+        vpxord  zmm15, zmm15, zmm3
+        vprord  zmm12, zmm12, 16
+        vprord  zmm13, zmm13, 16
+        vprord  zmm14, zmm14, 16
+        vprord  zmm15, zmm15, 16
+        vpaddd  zmm8, zmm8, zmm12
+        vpaddd  zmm9, zmm9, zmm13
+        vpaddd  zmm10, zmm10, zmm14
+        vpaddd  zmm11, zmm11, zmm15
+        vpxord  zmm4, zmm4, zmm8
+        vpxord  zmm5, zmm5, zmm9
+        vpxord  zmm6, zmm6, zmm10
+        vpxord  zmm7, zmm7, zmm11
+        vprord  zmm4, zmm4, 12
+        vprord  zmm5, zmm5, 12
+        vprord  zmm6, zmm6, 12
+        vprord  zmm7, zmm7, 12
+        vpaddd  zmm0, zmm0, zmm17
+        vpaddd  zmm1, zmm1, zmm19
+        vpaddd  zmm2, zmm2, zmm21
+        vpaddd  zmm3, zmm3, zmm23
+        vpaddd  zmm0, zmm0, zmm4
+        vpaddd  zmm1, zmm1, zmm5
+        vpaddd  zmm2, zmm2, zmm6
+        vpaddd  zmm3, zmm3, zmm7
+        vpxord  zmm12, zmm12, zmm0
+        vpxord  zmm13, zmm13, zmm1
+        vpxord  zmm14, zmm14, zmm2
+        vpxord  zmm15, zmm15, zmm3
+        vprord  zmm12, zmm12, 8
+        vprord  zmm13, zmm13, 8
+        vprord  zmm14, zmm14, 8
+        vprord  zmm15, zmm15, 8
+        vpaddd  zmm8, zmm8, zmm12
+        vpaddd  zmm9, zmm9, zmm13
+        vpaddd  zmm10, zmm10, zmm14
+        vpaddd  zmm11, zmm11, zmm15
+        vpxord  zmm4, zmm4, zmm8
+        vpxord  zmm5, zmm5, zmm9
+        vpxord  zmm6, zmm6, zmm10
+        vpxord  zmm7, zmm7, zmm11
+        vprord  zmm4, zmm4, 7
+        vprord  zmm5, zmm5, 7
+        vprord  zmm6, zmm6, 7
+        vprord  zmm7, zmm7, 7
+        vpaddd  zmm0, zmm0, zmm24
+        vpaddd  zmm1, zmm1, zmm26
+        vpaddd  zmm2, zmm2, zmm28
+        vpaddd  zmm3, zmm3, zmm30
+        vpaddd  zmm0, zmm0, zmm5
+        vpaddd  zmm1, zmm1, zmm6
+        vpaddd  zmm2, zmm2, zmm7
+        vpaddd  zmm3, zmm3, zmm4
+        vpxord  zmm15, zmm15, zmm0
+        vpxord  zmm12, zmm12, zmm1
+        vpxord  zmm13, zmm13, zmm2
+        vpxord  zmm14, zmm14, zmm3
+        vprord  zmm15, zmm15, 16
+        vprord  zmm12, zmm12, 16
+        vprord  zmm13, zmm13, 16
+        vprord  zmm14, zmm14, 16
+        vpaddd  zmm10, zmm10, zmm15
+        vpaddd  zmm11, zmm11, zmm12
+        vpaddd  zmm8, zmm8, zmm13
+        vpaddd  zmm9, zmm9, zmm14
+        vpxord  zmm5, zmm5, zmm10
+        vpxord  zmm6, zmm6, zmm11
+        vpxord  zmm7, zmm7, zmm8
+        vpxord  zmm4, zmm4, zmm9
+        vprord  zmm5, zmm5, 12
+        vprord  zmm6, zmm6, 12
+        vprord  zmm7, zmm7, 12
+        vprord  zmm4, zmm4, 12
+        vpaddd  zmm0, zmm0, zmm25
+        vpaddd  zmm1, zmm1, zmm27
+        vpaddd  zmm2, zmm2, zmm29
+        vpaddd  zmm3, zmm3, zmm31
+        vpaddd  zmm0, zmm0, zmm5
+        vpaddd  zmm1, zmm1, zmm6
+        vpaddd  zmm2, zmm2, zmm7
+        vpaddd  zmm3, zmm3, zmm4
+        vpxord  zmm15, zmm15, zmm0
+        vpxord  zmm12, zmm12, zmm1
+        vpxord  zmm13, zmm13, zmm2
+        vpxord  zmm14, zmm14, zmm3
+        vprord  zmm15, zmm15, 8
+        vprord  zmm12, zmm12, 8
+        vprord  zmm13, zmm13, 8
+        vprord  zmm14, zmm14, 8
+        vpaddd  zmm10, zmm10, zmm15
+        vpaddd  zmm11, zmm11, zmm12
+        vpaddd  zmm8, zmm8, zmm13
+        vpaddd  zmm9, zmm9, zmm14
+        vpxord  zmm5, zmm5, zmm10
+        vpxord  zmm6, zmm6, zmm11
+        vpxord  zmm7, zmm7, zmm8
+        vpxord  zmm4, zmm4, zmm9
+        vprord  zmm5, zmm5, 7
+        vprord  zmm6, zmm6, 7
+        vprord  zmm7, zmm7, 7
+        vprord  zmm4, zmm4, 7
+        vpaddd  zmm0, zmm0, zmm18
+        vpaddd  zmm1, zmm1, zmm19
+        vpaddd  zmm2, zmm2, zmm23
+        vpaddd  zmm3, zmm3, zmm20
+        vpaddd  zmm0, zmm0, zmm4
+        vpaddd  zmm1, zmm1, zmm5
+        vpaddd  zmm2, zmm2, zmm6
+        vpaddd  zmm3, zmm3, zmm7
+        vpxord  zmm12, zmm12, zmm0
+        vpxord  zmm13, zmm13, zmm1
+        vpxord  zmm14, zmm14, zmm2
+        vpxord  zmm15, zmm15, zmm3
+        vprord  zmm12, zmm12, 16
+        vprord  zmm13, zmm13, 16
+        vprord  zmm14, zmm14, 16
+        vprord  zmm15, zmm15, 16
+        vpaddd  zmm8, zmm8, zmm12
+        vpaddd  zmm9, zmm9, zmm13
+        vpaddd  zmm10, zmm10, zmm14
+        vpaddd  zmm11, zmm11, zmm15
+        vpxord  zmm4, zmm4, zmm8
+        vpxord  zmm5, zmm5, zmm9
+        vpxord  zmm6, zmm6, zmm10
+        vpxord  zmm7, zmm7, zmm11
+        vprord  zmm4, zmm4, 12
+        vprord  zmm5, zmm5, 12
+        vprord  zmm6, zmm6, 12
+        vprord  zmm7, zmm7, 12
+        vpaddd  zmm0, zmm0, zmm22
+        vpaddd  zmm1, zmm1, zmm26
+        vpaddd  zmm2, zmm2, zmm16
+        vpaddd  zmm3, zmm3, zmm29
+        vpaddd  zmm0, zmm0, zmm4
+        vpaddd  zmm1, zmm1, zmm5
+        vpaddd  zmm2, zmm2, zmm6
+        vpaddd  zmm3, zmm3, zmm7
+        vpxord  zmm12, zmm12, zmm0
+        vpxord  zmm13, zmm13, zmm1
+        vpxord  zmm14, zmm14, zmm2
+        vpxord  zmm15, zmm15, zmm3
+        vprord  zmm12, zmm12, 8
+        vprord  zmm13, zmm13, 8
+        vprord  zmm14, zmm14, 8
+        vprord  zmm15, zmm15, 8
+        vpaddd  zmm8, zmm8, zmm12
+        vpaddd  zmm9, zmm9, zmm13
+        vpaddd  zmm10, zmm10, zmm14
+        vpaddd  zmm11, zmm11, zmm15
+        vpxord  zmm4, zmm4, zmm8
+        vpxord  zmm5, zmm5, zmm9
+        vpxord  zmm6, zmm6, zmm10
+        vpxord  zmm7, zmm7, zmm11
+        vprord  zmm4, zmm4, 7
+        vprord  zmm5, zmm5, 7
+        vprord  zmm6, zmm6, 7
+        vprord  zmm7, zmm7, 7
+        vpaddd  zmm0, zmm0, zmm17
+        vpaddd  zmm1, zmm1, zmm28
+        vpaddd  zmm2, zmm2, zmm25
+        vpaddd  zmm3, zmm3, zmm31
+        vpaddd  zmm0, zmm0, zmm5
+        vpaddd  zmm1, zmm1, zmm6
+        vpaddd  zmm2, zmm2, zmm7
+        vpaddd  zmm3, zmm3, zmm4
+        vpxord  zmm15, zmm15, zmm0
+        vpxord  zmm12, zmm12, zmm1
+        vpxord  zmm13, zmm13, zmm2
+        vpxord  zmm14, zmm14, zmm3
+        vprord  zmm15, zmm15, 16
+        vprord  zmm12, zmm12, 16
+        vprord  zmm13, zmm13, 16
+        vprord  zmm14, zmm14, 16
+        vpaddd  zmm10, zmm10, zmm15
+        vpaddd  zmm11, zmm11, zmm12
+        vpaddd  zmm8, zmm8, zmm13
+        vpaddd  zmm9, zmm9, zmm14
+        vpxord  zmm5, zmm5, zmm10
+        vpxord  zmm6, zmm6, zmm11
+        vpxord  zmm7, zmm7, zmm8
+        vpxord  zmm4, zmm4, zmm9
+        vprord  zmm5, zmm5, 12
+        vprord  zmm6, zmm6, 12
+        vprord  zmm7, zmm7, 12
+        vprord  zmm4, zmm4, 12
+        vpaddd  zmm0, zmm0, zmm27
+        vpaddd  zmm1, zmm1, zmm21
+        vpaddd  zmm2, zmm2, zmm30
+        vpaddd  zmm3, zmm3, zmm24
+        vpaddd  zmm0, zmm0, zmm5
+        vpaddd  zmm1, zmm1, zmm6
+        vpaddd  zmm2, zmm2, zmm7
+        vpaddd  zmm3, zmm3, zmm4
+        vpxord  zmm15, zmm15, zmm0
+        vpxord  zmm12, zmm12, zmm1
+        vpxord  zmm13, zmm13, zmm2
+        vpxord  zmm14, zmm14, zmm3
+        vprord  zmm15, zmm15, 8
+        vprord  zmm12, zmm12, 8
+        vprord  zmm13, zmm13, 8
+        vprord  zmm14, zmm14, 8
+        vpaddd  zmm10, zmm10, zmm15
+        vpaddd  zmm11, zmm11, zmm12
+        vpaddd  zmm8, zmm8, zmm13
+        vpaddd  zmm9, zmm9, zmm14
+        vpxord  zmm5, zmm5, zmm10
+        vpxord  zmm6, zmm6, zmm11
+        vpxord  zmm7, zmm7, zmm8
+        vpxord  zmm4, zmm4, zmm9
+        vprord  zmm5, zmm5, 7
+        vprord  zmm6, zmm6, 7
+        vprord  zmm7, zmm7, 7
+        vprord  zmm4, zmm4, 7
+        vpaddd  zmm0, zmm0, zmm19
+        vpaddd  zmm1, zmm1, zmm26
+        vpaddd  zmm2, zmm2, zmm29
+        vpaddd  zmm3, zmm3, zmm23
+        vpaddd  zmm0, zmm0, zmm4
+        vpaddd  zmm1, zmm1, zmm5
+        vpaddd  zmm2, zmm2, zmm6
+        vpaddd  zmm3, zmm3, zmm7
+        vpxord  zmm12, zmm12, zmm0
+        vpxord  zmm13, zmm13, zmm1
+        vpxord  zmm14, zmm14, zmm2
+        vpxord  zmm15, zmm15, zmm3
+        vprord  zmm12, zmm12, 16
+        vprord  zmm13, zmm13, 16
+        vprord  zmm14, zmm14, 16
+        vprord  zmm15, zmm15, 16
+        vpaddd  zmm8, zmm8, zmm12
+        vpaddd  zmm9, zmm9, zmm13
+        vpaddd  zmm10, zmm10, zmm14
+        vpaddd  zmm11, zmm11, zmm15
+        vpxord  zmm4, zmm4, zmm8
+        vpxord  zmm5, zmm5, zmm9
+        vpxord  zmm6, zmm6, zmm10
+        vpxord  zmm7, zmm7, zmm11
+        vprord  zmm4, zmm4, 12
+        vprord  zmm5, zmm5, 12
+        vprord  zmm6, zmm6, 12
+        vprord  zmm7, zmm7, 12
+        vpaddd  zmm0, zmm0, zmm20
+        vpaddd  zmm1, zmm1, zmm28
+        vpaddd  zmm2, zmm2, zmm18
+        vpaddd  zmm3, zmm3, zmm30
+        vpaddd  zmm0, zmm0, zmm4
+        vpaddd  zmm1, zmm1, zmm5
+        vpaddd  zmm2, zmm2, zmm6
+        vpaddd  zmm3, zmm3, zmm7
+        vpxord  zmm12, zmm12, zmm0
+        vpxord  zmm13, zmm13, zmm1
+        vpxord  zmm14, zmm14, zmm2
+        vpxord  zmm15, zmm15, zmm3
+        vprord  zmm12, zmm12, 8
+        vprord  zmm13, zmm13, 8
+        vprord  zmm14, zmm14, 8
+        vprord  zmm15, zmm15, 8
+        vpaddd  zmm8, zmm8, zmm12
+        vpaddd  zmm9, zmm9, zmm13
+        vpaddd  zmm10, zmm10, zmm14
+        vpaddd  zmm11, zmm11, zmm15
+        vpxord  zmm4, zmm4, zmm8
+        vpxord  zmm5, zmm5, zmm9
+        vpxord  zmm6, zmm6, zmm10
+        vpxord  zmm7, zmm7, zmm11
+        vprord  zmm4, zmm4, 7
+        vprord  zmm5, zmm5, 7
+        vprord  zmm6, zmm6, 7
+        vprord  zmm7, zmm7, 7
+        vpaddd  zmm0, zmm0, zmm22
+        vpaddd  zmm1, zmm1, zmm25
+        vpaddd  zmm2, zmm2, zmm27
+        vpaddd  zmm3, zmm3, zmm24
+        vpaddd  zmm0, zmm0, zmm5
+        vpaddd  zmm1, zmm1, zmm6
+        vpaddd  zmm2, zmm2, zmm7
+        vpaddd  zmm3, zmm3, zmm4
+        vpxord  zmm15, zmm15, zmm0
+        vpxord  zmm12, zmm12, zmm1
+        vpxord  zmm13, zmm13, zmm2
+        vpxord  zmm14, zmm14, zmm3
+        vprord  zmm15, zmm15, 16
+        vprord  zmm12, zmm12, 16
+        vprord  zmm13, zmm13, 16
+        vprord  zmm14, zmm14, 16
+        vpaddd  zmm10, zmm10, zmm15
+        vpaddd  zmm11, zmm11, zmm12
+        vpaddd  zmm8, zmm8, zmm13
+        vpaddd  zmm9, zmm9, zmm14
+        vpxord  zmm5, zmm5, zmm10
+        vpxord  zmm6, zmm6, zmm11
+        vpxord  zmm7, zmm7, zmm8
+        vpxord  zmm4, zmm4, zmm9
+        vprord  zmm5, zmm5, 12
+        vprord  zmm6, zmm6, 12
+        vprord  zmm7, zmm7, 12
+        vprord  zmm4, zmm4, 12
+        vpaddd  zmm0, zmm0, zmm21
+        vpaddd  zmm1, zmm1, zmm16
+        vpaddd  zmm2, zmm2, zmm31
+        vpaddd  zmm3, zmm3, zmm17
+        vpaddd  zmm0, zmm0, zmm5
+        vpaddd  zmm1, zmm1, zmm6
+        vpaddd  zmm2, zmm2, zmm7
+        vpaddd  zmm3, zmm3, zmm4
+        vpxord  zmm15, zmm15, zmm0
+        vpxord  zmm12, zmm12, zmm1
+        vpxord  zmm13, zmm13, zmm2
+        vpxord  zmm14, zmm14, zmm3
+        vprord  zmm15, zmm15, 8
+        vprord  zmm12, zmm12, 8
+        vprord  zmm13, zmm13, 8
+        vprord  zmm14, zmm14, 8
+        vpaddd  zmm10, zmm10, zmm15
+        vpaddd  zmm11, zmm11, zmm12
+        vpaddd  zmm8, zmm8, zmm13
+        vpaddd  zmm9, zmm9, zmm14
+        vpxord  zmm5, zmm5, zmm10
+        vpxord  zmm6, zmm6, zmm11
+        vpxord  zmm7, zmm7, zmm8
+        vpxord  zmm4, zmm4, zmm9
+        vprord  zmm5, zmm5, 7
+        vprord  zmm6, zmm6, 7
+        vprord  zmm7, zmm7, 7
+        vprord  zmm4, zmm4, 7
+        vpaddd  zmm0, zmm0, zmm26
+        vpaddd  zmm1, zmm1, zmm28
+        vpaddd  zmm2, zmm2, zmm30
+        vpaddd  zmm3, zmm3, zmm29
+        vpaddd  zmm0, zmm0, zmm4
+        vpaddd  zmm1, zmm1, zmm5
+        vpaddd  zmm2, zmm2, zmm6
+        vpaddd  zmm3, zmm3, zmm7
+        vpxord  zmm12, zmm12, zmm0
+        vpxord  zmm13, zmm13, zmm1
+        vpxord  zmm14, zmm14, zmm2
+        vpxord  zmm15, zmm15, zmm3
+        vprord  zmm12, zmm12, 16
+        vprord  zmm13, zmm13, 16
+        vprord  zmm14, zmm14, 16
+        vprord  zmm15, zmm15, 16
+        vpaddd  zmm8, zmm8, zmm12
+        vpaddd  zmm9, zmm9, zmm13
+        vpaddd  zmm10, zmm10, zmm14
+        vpaddd  zmm11, zmm11, zmm15
+        vpxord  zmm4, zmm4, zmm8
+        vpxord  zmm5, zmm5, zmm9
+        vpxord  zmm6, zmm6, zmm10
+        vpxord  zmm7, zmm7, zmm11
+        vprord  zmm4, zmm4, 12
+        vprord  zmm5, zmm5, 12
+        vprord  zmm6, zmm6, 12
+        vprord  zmm7, zmm7, 12
+        vpaddd  zmm0, zmm0, zmm23
+        vpaddd  zmm1, zmm1, zmm25
+        vpaddd  zmm2, zmm2, zmm19
+        vpaddd  zmm3, zmm3, zmm31
+        vpaddd  zmm0, zmm0, zmm4
+        vpaddd  zmm1, zmm1, zmm5
+        vpaddd  zmm2, zmm2, zmm6
+        vpaddd  zmm3, zmm3, zmm7
+        vpxord  zmm12, zmm12, zmm0
+        vpxord  zmm13, zmm13, zmm1
+        vpxord  zmm14, zmm14, zmm2
+        vpxord  zmm15, zmm15, zmm3
+        vprord  zmm12, zmm12, 8
+        vprord  zmm13, zmm13, 8
+        vprord  zmm14, zmm14, 8
+        vprord  zmm15, zmm15, 8
+        vpaddd  zmm8, zmm8, zmm12
+        vpaddd  zmm9, zmm9, zmm13
+        vpaddd  zmm10, zmm10, zmm14
+        vpaddd  zmm11, zmm11, zmm15
+        vpxord  zmm4, zmm4, zmm8
+        vpxord  zmm5, zmm5, zmm9
+        vpxord  zmm6, zmm6, zmm10
+        vpxord  zmm7, zmm7, zmm11
+        vprord  zmm4, zmm4, 7
+        vprord  zmm5, zmm5, 7
+        vprord  zmm6, zmm6, 7
+        vprord  zmm7, zmm7, 7
+        vpaddd  zmm0, zmm0, zmm20
+        vpaddd  zmm1, zmm1, zmm27
+        vpaddd  zmm2, zmm2, zmm21
+        vpaddd  zmm3, zmm3, zmm17
+        vpaddd  zmm0, zmm0, zmm5
+        vpaddd  zmm1, zmm1, zmm6
+        vpaddd  zmm2, zmm2, zmm7
+        vpaddd  zmm3, zmm3, zmm4
+        vpxord  zmm15, zmm15, zmm0
+        vpxord  zmm12, zmm12, zmm1
+        vpxord  zmm13, zmm13, zmm2
+        vpxord  zmm14, zmm14, zmm3
+        vprord  zmm15, zmm15, 16
+        vprord  zmm12, zmm12, 16
+        vprord  zmm13, zmm13, 16
+        vprord  zmm14, zmm14, 16
+        vpaddd  zmm10, zmm10, zmm15
+        vpaddd  zmm11, zmm11, zmm12
+        vpaddd  zmm8, zmm8, zmm13
+        vpaddd  zmm9, zmm9, zmm14
+        vpxord  zmm5, zmm5, zmm10
+        vpxord  zmm6, zmm6, zmm11
+        vpxord  zmm7, zmm7, zmm8
+        vpxord  zmm4, zmm4, zmm9
+        vprord  zmm5, zmm5, 12
+        vprord  zmm6, zmm6, 12
+        vprord  zmm7, zmm7, 12
+        vprord  zmm4, zmm4, 12
+        vpaddd  zmm0, zmm0, zmm16
+        vpaddd  zmm1, zmm1, zmm18
+        vpaddd  zmm2, zmm2, zmm24
+        vpaddd  zmm3, zmm3, zmm22
+        vpaddd  zmm0, zmm0, zmm5
+        vpaddd  zmm1, zmm1, zmm6
+        vpaddd  zmm2, zmm2, zmm7
+        vpaddd  zmm3, zmm3, zmm4
+        vpxord  zmm15, zmm15, zmm0
+        vpxord  zmm12, zmm12, zmm1
+        vpxord  zmm13, zmm13, zmm2
+        vpxord  zmm14, zmm14, zmm3
+        vprord  zmm15, zmm15, 8
+        vprord  zmm12, zmm12, 8
+        vprord  zmm13, zmm13, 8
+        vprord  zmm14, zmm14, 8
+        vpaddd  zmm10, zmm10, zmm15
+        vpaddd  zmm11, zmm11, zmm12
+        vpaddd  zmm8, zmm8, zmm13
+        vpaddd  zmm9, zmm9, zmm14
+        vpxord  zmm5, zmm5, zmm10
+        vpxord  zmm6, zmm6, zmm11
+        vpxord  zmm7, zmm7, zmm8
+        vpxord  zmm4, zmm4, zmm9
+        vprord  zmm5, zmm5, 7
+        vprord  zmm6, zmm6, 7
+        vprord  zmm7, zmm7, 7
+        vprord  zmm4, zmm4, 7
+        vpaddd  zmm0, zmm0, zmm28
+        vpaddd  zmm1, zmm1, zmm25
+        vpaddd  zmm2, zmm2, zmm31
+        vpaddd  zmm3, zmm3, zmm30
+        vpaddd  zmm0, zmm0, zmm4
+        vpaddd  zmm1, zmm1, zmm5
+        vpaddd  zmm2, zmm2, zmm6
+        vpaddd  zmm3, zmm3, zmm7
+        vpxord  zmm12, zmm12, zmm0
+        vpxord  zmm13, zmm13, zmm1
+        vpxord  zmm14, zmm14, zmm2
+        vpxord  zmm15, zmm15, zmm3
+        vprord  zmm12, zmm12, 16
+        vprord  zmm13, zmm13, 16
+        vprord  zmm14, zmm14, 16
+        vprord  zmm15, zmm15, 16
+        vpaddd  zmm8, zmm8, zmm12
+        vpaddd  zmm9, zmm9, zmm13
+        vpaddd  zmm10, zmm10, zmm14
+        vpaddd  zmm11, zmm11, zmm15
+        vpxord  zmm4, zmm4, zmm8
+        vpxord  zmm5, zmm5, zmm9
+        vpxord  zmm6, zmm6, zmm10
+        vpxord  zmm7, zmm7, zmm11
+        vprord  zmm4, zmm4, 12
+        vprord  zmm5, zmm5, 12
+        vprord  zmm6, zmm6, 12
+        vprord  zmm7, zmm7, 12
+        vpaddd  zmm0, zmm0, zmm29
+        vpaddd  zmm1, zmm1, zmm27
+        vpaddd  zmm2, zmm2, zmm26
+        vpaddd  zmm3, zmm3, zmm24
+        vpaddd  zmm0, zmm0, zmm4
+        vpaddd  zmm1, zmm1, zmm5
+        vpaddd  zmm2, zmm2, zmm6
+        vpaddd  zmm3, zmm3, zmm7
+        vpxord  zmm12, zmm12, zmm0
+        vpxord  zmm13, zmm13, zmm1
+        vpxord  zmm14, zmm14, zmm2
+        vpxord  zmm15, zmm15, zmm3
+        vprord  zmm12, zmm12, 8
+        vprord  zmm13, zmm13, 8
+        vprord  zmm14, zmm14, 8
+        vprord  zmm15, zmm15, 8
+        vpaddd  zmm8, zmm8, zmm12
+        vpaddd  zmm9, zmm9, zmm13
+        vpaddd  zmm10, zmm10, zmm14
+        vpaddd  zmm11, zmm11, zmm15
+        vpxord  zmm4, zmm4, zmm8
+        vpxord  zmm5, zmm5, zmm9
+        vpxord  zmm6, zmm6, zmm10
+        vpxord  zmm7, zmm7, zmm11
+        vprord  zmm4, zmm4, 7
+        vprord  zmm5, zmm5, 7
+        vprord  zmm6, zmm6, 7
+        vprord  zmm7, zmm7, 7
+        vpaddd  zmm0, zmm0, zmm23
+        vpaddd  zmm1, zmm1, zmm21
+        vpaddd  zmm2, zmm2, zmm16
+        vpaddd  zmm3, zmm3, zmm22
+        vpaddd  zmm0, zmm0, zmm5
+        vpaddd  zmm1, zmm1, zmm6
+        vpaddd  zmm2, zmm2, zmm7
+        vpaddd  zmm3, zmm3, zmm4
+        vpxord  zmm15, zmm15, zmm0
+        vpxord  zmm12, zmm12, zmm1
+        vpxord  zmm13, zmm13, zmm2
+        vpxord  zmm14, zmm14, zmm3
+        vprord  zmm15, zmm15, 16
+        vprord  zmm12, zmm12, 16
+        vprord  zmm13, zmm13, 16
+        vprord  zmm14, zmm14, 16
+        vpaddd  zmm10, zmm10, zmm15
+        vpaddd  zmm11, zmm11, zmm12
+        vpaddd  zmm8, zmm8, zmm13
+        vpaddd  zmm9, zmm9, zmm14
+        vpxord  zmm5, zmm5, zmm10
+        vpxord  zmm6, zmm6, zmm11
+        vpxord  zmm7, zmm7, zmm8
+        vpxord  zmm4, zmm4, zmm9
+        vprord  zmm5, zmm5, 12
+        vprord  zmm6, zmm6, 12
+        vprord  zmm7, zmm7, 12
+        vprord  zmm4, zmm4, 12
+        vpaddd  zmm0, zmm0, zmm18
+        vpaddd  zmm1, zmm1, zmm19
+        vpaddd  zmm2, zmm2, zmm17
+        vpaddd  zmm3, zmm3, zmm20
+        vpaddd  zmm0, zmm0, zmm5
+        vpaddd  zmm1, zmm1, zmm6
+        vpaddd  zmm2, zmm2, zmm7
+        vpaddd  zmm3, zmm3, zmm4
+        vpxord  zmm15, zmm15, zmm0
+        vpxord  zmm12, zmm12, zmm1
+        vpxord  zmm13, zmm13, zmm2
+        vpxord  zmm14, zmm14, zmm3
+        vprord  zmm15, zmm15, 8
+        vprord  zmm12, zmm12, 8
+        vprord  zmm13, zmm13, 8
+        vprord  zmm14, zmm14, 8
+        vpaddd  zmm10, zmm10, zmm15
+        vpaddd  zmm11, zmm11, zmm12
+        vpaddd  zmm8, zmm8, zmm13
+        vpaddd  zmm9, zmm9, zmm14
+        vpxord  zmm5, zmm5, zmm10
+        vpxord  zmm6, zmm6, zmm11
+        vpxord  zmm7, zmm7, zmm8
+        vpxord  zmm4, zmm4, zmm9
+        vprord  zmm5, zmm5, 7
+        vprord  zmm6, zmm6, 7
+        vprord  zmm7, zmm7, 7
+        vprord  zmm4, zmm4, 7
+        vpaddd  zmm0, zmm0, zmm25
+        vpaddd  zmm1, zmm1, zmm27
+        vpaddd  zmm2, zmm2, zmm24
+        vpaddd  zmm3, zmm3, zmm31
+        vpaddd  zmm0, zmm0, zmm4
+        vpaddd  zmm1, zmm1, zmm5
+        vpaddd  zmm2, zmm2, zmm6
+        vpaddd  zmm3, zmm3, zmm7
+        vpxord  zmm12, zmm12, zmm0
+        vpxord  zmm13, zmm13, zmm1
+        vpxord  zmm14, zmm14, zmm2
+        vpxord  zmm15, zmm15, zmm3
+        vprord  zmm12, zmm12, 16
+        vprord  zmm13, zmm13, 16
+        vprord  zmm14, zmm14, 16
+        vprord  zmm15, zmm15, 16
+        vpaddd  zmm8, zmm8, zmm12
+        vpaddd  zmm9, zmm9, zmm13
+        vpaddd  zmm10, zmm10, zmm14
+        vpaddd  zmm11, zmm11, zmm15
+        vpxord  zmm4, zmm4, zmm8
+        vpxord  zmm5, zmm5, zmm9
+        vpxord  zmm6, zmm6, zmm10
+        vpxord  zmm7, zmm7, zmm11
+        vprord  zmm4, zmm4, 12
+        vprord  zmm5, zmm5, 12
+        vprord  zmm6, zmm6, 12
+        vprord  zmm7, zmm7, 12
+        vpaddd  zmm0, zmm0, zmm30
+        vpaddd  zmm1, zmm1, zmm21
+        vpaddd  zmm2, zmm2, zmm28
+        vpaddd  zmm3, zmm3, zmm17
+        vpaddd  zmm0, zmm0, zmm4
+        vpaddd  zmm1, zmm1, zmm5
+        vpaddd  zmm2, zmm2, zmm6
+        vpaddd  zmm3, zmm3, zmm7
+        vpxord  zmm12, zmm12, zmm0
+        vpxord  zmm13, zmm13, zmm1
+        vpxord  zmm14, zmm14, zmm2
+        vpxord  zmm15, zmm15, zmm3
+        vprord  zmm12, zmm12, 8
+        vprord  zmm13, zmm13, 8
+        vprord  zmm14, zmm14, 8
+        vprord  zmm15, zmm15, 8
+        vpaddd  zmm8, zmm8, zmm12
+        vpaddd  zmm9, zmm9, zmm13
+        vpaddd  zmm10, zmm10, zmm14
+        vpaddd  zmm11, zmm11, zmm15
+        vpxord  zmm4, zmm4, zmm8
+        vpxord  zmm5, zmm5, zmm9
+        vpxord  zmm6, zmm6, zmm10
+        vpxord  zmm7, zmm7, zmm11
+        vprord  zmm4, zmm4, 7
+        vprord  zmm5, zmm5, 7
+        vprord  zmm6, zmm6, 7
+        vprord  zmm7, zmm7, 7
+        vpaddd  zmm0, zmm0, zmm29
+        vpaddd  zmm1, zmm1, zmm16
+        vpaddd  zmm2, zmm2, zmm18
+        vpaddd  zmm3, zmm3, zmm20
+        vpaddd  zmm0, zmm0, zmm5
+        vpaddd  zmm1, zmm1, zmm6
+        vpaddd  zmm2, zmm2, zmm7
+        vpaddd  zmm3, zmm3, zmm4
+        vpxord  zmm15, zmm15, zmm0
+        vpxord  zmm12, zmm12, zmm1
+        vpxord  zmm13, zmm13, zmm2
+        vpxord  zmm14, zmm14, zmm3
+        vprord  zmm15, zmm15, 16
+        vprord  zmm12, zmm12, 16
+        vprord  zmm13, zmm13, 16
+        vprord  zmm14, zmm14, 16
+        vpaddd  zmm10, zmm10, zmm15
+        vpaddd  zmm11, zmm11, zmm12
+        vpaddd  zmm8, zmm8, zmm13
+        vpaddd  zmm9, zmm9, zmm14
+        vpxord  zmm5, zmm5, zmm10
+        vpxord  zmm6, zmm6, zmm11
+        vpxord  zmm7, zmm7, zmm8
+        vpxord  zmm4, zmm4, zmm9
+        vprord  zmm5, zmm5, 12
+        vprord  zmm6, zmm6, 12
+        vprord  zmm7, zmm7, 12
+        vprord  zmm4, zmm4, 12
+        vpaddd  zmm0, zmm0, zmm19
+        vpaddd  zmm1, zmm1, zmm26
+        vpaddd  zmm2, zmm2, zmm22
+        vpaddd  zmm3, zmm3, zmm23
+        vpaddd  zmm0, zmm0, zmm5
+        vpaddd  zmm1, zmm1, zmm6
+        vpaddd  zmm2, zmm2, zmm7
+        vpaddd  zmm3, zmm3, zmm4
+        vpxord  zmm15, zmm15, zmm0
+        vpxord  zmm12, zmm12, zmm1
+        vpxord  zmm13, zmm13, zmm2
+        vpxord  zmm14, zmm14, zmm3
+        vprord  zmm15, zmm15, 8
+        vprord  zmm12, zmm12, 8
+        vprord  zmm13, zmm13, 8
+        vprord  zmm14, zmm14, 8
+        vpaddd  zmm10, zmm10, zmm15
+        vpaddd  zmm11, zmm11, zmm12
+        vpaddd  zmm8, zmm8, zmm13
+        vpaddd  zmm9, zmm9, zmm14
+        vpxord  zmm5, zmm5, zmm10
+        vpxord  zmm6, zmm6, zmm11
+        vpxord  zmm7, zmm7, zmm8
+        vpxord  zmm4, zmm4, zmm9
+        vprord  zmm5, zmm5, 7
+        vprord  zmm6, zmm6, 7
+        vprord  zmm7, zmm7, 7
+        vprord  zmm4, zmm4, 7
+        vpaddd  zmm0, zmm0, zmm27
+        vpaddd  zmm1, zmm1, zmm21
+        vpaddd  zmm2, zmm2, zmm17
+        vpaddd  zmm3, zmm3, zmm24
+        vpaddd  zmm0, zmm0, zmm4
+        vpaddd  zmm1, zmm1, zmm5
+        vpaddd  zmm2, zmm2, zmm6
+        vpaddd  zmm3, zmm3, zmm7
+        vpxord  zmm12, zmm12, zmm0
+        vpxord  zmm13, zmm13, zmm1
+        vpxord  zmm14, zmm14, zmm2
+        vpxord  zmm15, zmm15, zmm3
+        vprord  zmm12, zmm12, 16
+        vprord  zmm13, zmm13, 16
+        vprord  zmm14, zmm14, 16
+        vprord  zmm15, zmm15, 16
+        vpaddd  zmm8, zmm8, zmm12
+        vpaddd  zmm9, zmm9, zmm13
+        vpaddd  zmm10, zmm10, zmm14
+        vpaddd  zmm11, zmm11, zmm15
+        vpxord  zmm4, zmm4, zmm8
+        vpxord  zmm5, zmm5, zmm9
+        vpxord  zmm6, zmm6, zmm10
+        vpxord  zmm7, zmm7, zmm11
+        vprord  zmm4, zmm4, 12
+        vprord  zmm5, zmm5, 12
+        vprord  zmm6, zmm6, 12
+        vprord  zmm7, zmm7, 12
+        vpaddd  zmm0, zmm0, zmm31
+        vpaddd  zmm1, zmm1, zmm16
+        vpaddd  zmm2, zmm2, zmm25
+        vpaddd  zmm3, zmm3, zmm22
+        vpaddd  zmm0, zmm0, zmm4
+        vpaddd  zmm1, zmm1, zmm5
+        vpaddd  zmm2, zmm2, zmm6
+        vpaddd  zmm3, zmm3, zmm7
+        vpxord  zmm12, zmm12, zmm0
+        vpxord  zmm13, zmm13, zmm1
+        vpxord  zmm14, zmm14, zmm2
+        vpxord  zmm15, zmm15, zmm3
+        vprord  zmm12, zmm12, 8
+        vprord  zmm13, zmm13, 8
+        vprord  zmm14, zmm14, 8
+        vprord  zmm15, zmm15, 8
+        vpaddd  zmm8, zmm8, zmm12
+        vpaddd  zmm9, zmm9, zmm13
+        vpaddd  zmm10, zmm10, zmm14
+        vpaddd  zmm11, zmm11, zmm15
+        vpxord  zmm4, zmm4, zmm8
+        vpxord  zmm5, zmm5, zmm9
+        vpxord  zmm6, zmm6, zmm10
+        vpxord  zmm7, zmm7, zmm11
+        vprord  zmm4, zmm4, 7
+        vprord  zmm5, zmm5, 7
+        vprord  zmm6, zmm6, 7
+        vprord  zmm7, zmm7, 7
+        vpaddd  zmm0, zmm0, zmm30
+        vpaddd  zmm1, zmm1, zmm18
+        vpaddd  zmm2, zmm2, zmm19
+        vpaddd  zmm3, zmm3, zmm23
+        vpaddd  zmm0, zmm0, zmm5
+        vpaddd  zmm1, zmm1, zmm6
+        vpaddd  zmm2, zmm2, zmm7
+        vpaddd  zmm3, zmm3, zmm4
+        vpxord  zmm15, zmm15, zmm0
+        vpxord  zmm12, zmm12, zmm1
+        vpxord  zmm13, zmm13, zmm2
+        vpxord  zmm14, zmm14, zmm3
+        vprord  zmm15, zmm15, 16
+        vprord  zmm12, zmm12, 16
+        vprord  zmm13, zmm13, 16
+        vprord  zmm14, zmm14, 16
+        vpaddd  zmm10, zmm10, zmm15
+        vpaddd  zmm11, zmm11, zmm12
+        vpaddd  zmm8, zmm8, zmm13
+        vpaddd  zmm9, zmm9, zmm14
+        vpxord  zmm5, zmm5, zmm10
+        vpxord  zmm6, zmm6, zmm11
+        vpxord  zmm7, zmm7, zmm8
+        vpxord  zmm4, zmm4, zmm9
+        vprord  zmm5, zmm5, 12
+        vprord  zmm6, zmm6, 12
+        vprord  zmm7, zmm7, 12
+        vprord  zmm4, zmm4, 12
+        vpaddd  zmm0, zmm0, zmm26
+        vpaddd  zmm1, zmm1, zmm28
+        vpaddd  zmm2, zmm2, zmm20
+        vpaddd  zmm3, zmm3, zmm29
+        vpaddd  zmm0, zmm0, zmm5
+        vpaddd  zmm1, zmm1, zmm6
+        vpaddd  zmm2, zmm2, zmm7
+        vpaddd  zmm3, zmm3, zmm4
+        vpxord  zmm15, zmm15, zmm0
+        vpxord  zmm12, zmm12, zmm1
+        vpxord  zmm13, zmm13, zmm2
+        vpxord  zmm14, zmm14, zmm3
+        vprord  zmm15, zmm15, 8
+        vprord  zmm12, zmm12, 8
+        vprord  zmm13, zmm13, 8
+        vprord  zmm14, zmm14, 8
+        vpaddd  zmm10, zmm10, zmm15
+        vpaddd  zmm11, zmm11, zmm12
+        vpaddd  zmm8, zmm8, zmm13
+        vpaddd  zmm9, zmm9, zmm14
+        vpxord  zmm5, zmm5, zmm10
+        vpxord  zmm6, zmm6, zmm11
+        vpxord  zmm7, zmm7, zmm8
+        vpxord  zmm4, zmm4, zmm9
+        vprord  zmm5, zmm5, 7
+        vprord  zmm6, zmm6, 7
+        vprord  zmm7, zmm7, 7
+        vprord  zmm4, zmm4, 7
+        vpxord  zmm0, zmm0, zmm8
+        vpxord  zmm1, zmm1, zmm9
+        vpxord  zmm2, zmm2, zmm10
+        vpxord  zmm3, zmm3, zmm11
+        vpxord  zmm4, zmm4, zmm12
+        vpxord  zmm5, zmm5, zmm13
+        vpxord  zmm6, zmm6, zmm14
+        vpxord  zmm7, zmm7, zmm15
+        movzx   eax, byte ptr [rbp+0x78]
+        jne     9b
+        mov     rbx, qword ptr [rbp+0x90]
+        vpunpckldq zmm16, zmm0, zmm1
+        vpunpckhdq zmm17, zmm0, zmm1
+        vpunpckldq zmm18, zmm2, zmm3
+        vpunpckhdq zmm19, zmm2, zmm3
+        vpunpckldq zmm20, zmm4, zmm5
+        vpunpckhdq zmm21, zmm4, zmm5
+        vpunpckldq zmm22, zmm6, zmm7
+        vpunpckhdq zmm23, zmm6, zmm7
+        vpunpcklqdq zmm0, zmm16, zmm18
+        vpunpckhqdq zmm1, zmm16, zmm18
+        vpunpcklqdq zmm2, zmm17, zmm19
+        vpunpckhqdq zmm3, zmm17, zmm19
+        vpunpcklqdq zmm4, zmm20, zmm22
+        vpunpckhqdq zmm5, zmm20, zmm22
+        vpunpcklqdq zmm6, zmm21, zmm23
+        vpunpckhqdq zmm7, zmm21, zmm23
+        vshufi32x4 zmm16, zmm0, zmm4, 0x88
+        vshufi32x4 zmm17, zmm1, zmm5, 0x88
+        vshufi32x4 zmm18, zmm2, zmm6, 0x88
+        vshufi32x4 zmm19, zmm3, zmm7, 0x88
+        vshufi32x4 zmm20, zmm0, zmm4, 0xDD
+        vshufi32x4 zmm21, zmm1, zmm5, 0xDD
+        vshufi32x4 zmm22, zmm2, zmm6, 0xDD
+        vshufi32x4 zmm23, zmm3, zmm7, 0xDD
+        vshufi32x4 zmm0, zmm16, zmm17, 0x88
+        vshufi32x4 zmm1, zmm18, zmm19, 0x88
+        vshufi32x4 zmm2, zmm20, zmm21, 0x88
+        vshufi32x4 zmm3, zmm22, zmm23, 0x88
+        vshufi32x4 zmm4, zmm16, zmm17, 0xDD
+        vshufi32x4 zmm5, zmm18, zmm19, 0xDD
+        vshufi32x4 zmm6, zmm20, zmm21, 0xDD
+        vshufi32x4 zmm7, zmm22, zmm23, 0xDD
+        vmovdqu32 zmmword ptr [rbx], zmm0
+        vmovdqu32 zmmword ptr [rbx+0x1*0x40], zmm1
+        vmovdqu32 zmmword ptr [rbx+0x2*0x40], zmm2
+        vmovdqu32 zmmword ptr [rbx+0x3*0x40], zmm3
+        vmovdqu32 zmmword ptr [rbx+0x4*0x40], zmm4
+        vmovdqu32 zmmword ptr [rbx+0x5*0x40], zmm5
+        vmovdqu32 zmmword ptr [rbx+0x6*0x40], zmm6
+        vmovdqu32 zmmword ptr [rbx+0x7*0x40], zmm7
+        vmovdqa32 zmm0, zmmword ptr [rsp]
+        vmovdqa32 zmm1, zmmword ptr [rsp+0x1*0x40]
+        vmovdqa32 zmm2, zmm0
+        vpaddd  zmm2{{k1}}, zmm0, dword ptr [ADD16+rip] {{1to16}}
+        vpcmpltud k2, zmm2, zmm0
+        vpaddd  zmm1 {{k2}}, zmm1, dword ptr [ADD1+rip] {{1to16}}
+        vmovdqa32 zmmword ptr [rsp], zmm2
+        vmovdqa32 zmmword ptr [rsp+0x1*0x40], zmm1
+        add     rdi, 128
+        add     rbx, 512
+        mov     qword ptr [rbp+0x90], rbx
+        sub     rsi, 16
+        cmp     rsi, 16
+        jnc     2b
+        test    rsi, rsi
+        jne     3f
+4:
+        vzeroupper
+        vmovdqa xmm6, xmmword ptr [rsp+0x90]
+        vmovdqa xmm7, xmmword ptr [rsp+0xA0]
+        vmovdqa xmm8, xmmword ptr [rsp+0xB0]
+        vmovdqa xmm9, xmmword ptr [rsp+0xC0]
+        vmovdqa xmm10, xmmword ptr [rsp+0xD0]
+        vmovdqa xmm11, xmmword ptr [rsp+0xE0]
+        vmovdqa xmm12, xmmword ptr [rsp+0xF0]
+        vmovdqa xmm13, xmmword ptr [rsp+0x100]
+        vmovdqa xmm14, xmmword ptr [rsp+0x110]
+        vmovdqa xmm15, xmmword ptr [rsp+0x120]
+        mov     rsp, rbp
+        pop     rbp
+        pop     rbx
+        pop     rsi
+        pop     rdi
+        pop     r12
+        pop     r13
+        pop     r14
+        pop     r15
+        ret
+.p2align 6
+3:
+        test    esi, 0x8
+        je      3f
+        vpbroadcastd ymm0, dword ptr [rcx]
+        vpbroadcastd ymm1, dword ptr [rcx+0x4]
+        vpbroadcastd ymm2, dword ptr [rcx+0x8]
+        vpbroadcastd ymm3, dword ptr [rcx+0xC]
+        vpbroadcastd ymm4, dword ptr [rcx+0x10]
+        vpbroadcastd ymm5, dword ptr [rcx+0x14]
+        vpbroadcastd ymm6, dword ptr [rcx+0x18]
+        vpbroadcastd ymm7, dword ptr [rcx+0x1C]
+        mov     r8, qword ptr [rdi]
+        mov     r9, qword ptr [rdi+0x8]
+        mov     r10, qword ptr [rdi+0x10]
+        mov     r11, qword ptr [rdi+0x18]
+        mov     r12, qword ptr [rdi+0x20]
+        mov     r13, qword ptr [rdi+0x28]
+        mov     r14, qword ptr [rdi+0x30]
+        mov     r15, qword ptr [rdi+0x38]
+        movzx   eax, byte ptr [rbp+0x78]
+        movzx   ebx, byte ptr [rbp+0x80]
+        or      eax, ebx
+        xor     edx, edx
+2:
+        movzx   ebx, byte ptr [rbp+0x88]
+        or      ebx, eax
+        add     rdx, 64
+        cmp     rdx, qword ptr [rsp+0x80]
+        cmove   eax, ebx
+        mov     dword ptr [rsp+0x88], eax
+        vmovups xmm8, xmmword ptr [r8+rdx-0x40]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x40], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x40]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x40], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x40]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x40], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x40]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x40], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm16, ymm12, ymm14, 136
+        vshufps ymm17, ymm12, ymm14, 221
+        vshufps ymm18, ymm13, ymm15, 136
+        vshufps ymm19, ymm13, ymm15, 221
+        vmovups xmm8, xmmword ptr [r8+rdx-0x30]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x30], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x30]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x30], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x30]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x30], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x30]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x30], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm20, ymm12, ymm14, 136
+        vshufps ymm21, ymm12, ymm14, 221
+        vshufps ymm22, ymm13, ymm15, 136
+        vshufps ymm23, ymm13, ymm15, 221
+        vmovups xmm8, xmmword ptr [r8+rdx-0x20]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x20], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x20]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x20], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x20]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x20], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x20]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x20], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm24, ymm12, ymm14, 136
+        vshufps ymm25, ymm12, ymm14, 221
+        vshufps ymm26, ymm13, ymm15, 136
+        vshufps ymm27, ymm13, ymm15, 221
+        vmovups xmm8, xmmword ptr [r8+rdx-0x10]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r12+rdx-0x10], 0x01
+        vmovups xmm9, xmmword ptr [r9+rdx-0x10]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r13+rdx-0x10], 0x01
+        vunpcklpd ymm12, ymm8, ymm9
+        vunpckhpd ymm13, ymm8, ymm9
+        vmovups xmm10, xmmword ptr [r10+rdx-0x10]
+        vinsertf128 ymm10, ymm10, xmmword ptr [r14+rdx-0x10], 0x01
+        vmovups xmm11, xmmword ptr [r11+rdx-0x10]
+        vinsertf128 ymm11, ymm11, xmmword ptr [r15+rdx-0x10], 0x01
+        vunpcklpd ymm14, ymm10, ymm11
+        vunpckhpd ymm15, ymm10, ymm11
+        vshufps ymm28, ymm12, ymm14, 136
+        vshufps ymm29, ymm12, ymm14, 221
+        vshufps ymm30, ymm13, ymm15, 136
+        vshufps ymm31, ymm13, ymm15, 221
+        vpbroadcastd ymm8, dword ptr [BLAKE3_IV_0+rip]
+        vpbroadcastd ymm9, dword ptr [BLAKE3_IV_1+rip]
+        vpbroadcastd ymm10, dword ptr [BLAKE3_IV_2+rip]
+        vpbroadcastd ymm11, dword ptr [BLAKE3_IV_3+rip]
+        vmovdqa ymm12, ymmword ptr [rsp]
+        vmovdqa ymm13, ymmword ptr [rsp+0x40]
+        vpbroadcastd ymm14, dword ptr [BLAKE3_BLOCK_LEN+rip]
+        vpbroadcastd ymm15, dword ptr [rsp+0x88]
+        vpaddd  ymm0, ymm0, ymm16
+        vpaddd  ymm1, ymm1, ymm18
+        vpaddd  ymm2, ymm2, ymm20
+        vpaddd  ymm3, ymm3, ymm22
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxord  ymm12, ymm12, ymm0
+        vpxord  ymm13, ymm13, ymm1
+        vpxord  ymm14, ymm14, ymm2
+        vpxord  ymm15, ymm15, ymm3
+        vprord  ymm12, ymm12, 16
+        vprord  ymm13, ymm13, 16
+        vprord  ymm14, ymm14, 16
+        vprord  ymm15, ymm15, 16
+        vpaddd  ymm8, ymm8, ymm12
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxord  ymm4, ymm4, ymm8
+        vpxord  ymm5, ymm5, ymm9
+        vpxord  ymm6, ymm6, ymm10
+        vpxord  ymm7, ymm7, ymm11
+        vprord  ymm4, ymm4, 12
+        vprord  ymm5, ymm5, 12
+        vprord  ymm6, ymm6, 12
+        vprord  ymm7, ymm7, 12
+        vpaddd  ymm0, ymm0, ymm17
+        vpaddd  ymm1, ymm1, ymm19
+        vpaddd  ymm2, ymm2, ymm21
+        vpaddd  ymm3, ymm3, ymm23
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxord  ymm12, ymm12, ymm0
+        vpxord  ymm13, ymm13, ymm1
+        vpxord  ymm14, ymm14, ymm2
+        vpxord  ymm15, ymm15, ymm3
+        vprord  ymm12, ymm12, 8
+        vprord  ymm13, ymm13, 8
+        vprord  ymm14, ymm14, 8
+        vprord  ymm15, ymm15, 8
+        vpaddd  ymm8, ymm8, ymm12
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxord  ymm4, ymm4, ymm8
+        vpxord  ymm5, ymm5, ymm9
+        vpxord  ymm6, ymm6, ymm10
+        vpxord  ymm7, ymm7, ymm11
+        vprord  ymm4, ymm4, 7
+        vprord  ymm5, ymm5, 7
+        vprord  ymm6, ymm6, 7
+        vprord  ymm7, ymm7, 7
+        vpaddd  ymm0, ymm0, ymm24
+        vpaddd  ymm1, ymm1, ymm26
+        vpaddd  ymm2, ymm2, ymm28
+        vpaddd  ymm3, ymm3, ymm30
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxord  ymm15, ymm15, ymm0
+        vpxord  ymm12, ymm12, ymm1
+        vpxord  ymm13, ymm13, ymm2
+        vpxord  ymm14, ymm14, ymm3
+        vprord  ymm15, ymm15, 16
+        vprord  ymm12, ymm12, 16
+        vprord  ymm13, ymm13, 16
+        vprord  ymm14, ymm14, 16
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm8, ymm13
+        vpaddd  ymm9, ymm9, ymm14
+        vpxord  ymm5, ymm5, ymm10
+        vpxord  ymm6, ymm6, ymm11
+        vpxord  ymm7, ymm7, ymm8
+        vpxord  ymm4, ymm4, ymm9
+        vprord  ymm5, ymm5, 12
+        vprord  ymm6, ymm6, 12
+        vprord  ymm7, ymm7, 12
+        vprord  ymm4, ymm4, 12
+        vpaddd  ymm0, ymm0, ymm25
+        vpaddd  ymm1, ymm1, ymm27
+        vpaddd  ymm2, ymm2, ymm29
+        vpaddd  ymm3, ymm3, ymm31
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxord  ymm15, ymm15, ymm0
+        vpxord  ymm12, ymm12, ymm1
+        vpxord  ymm13, ymm13, ymm2
+        vpxord  ymm14, ymm14, ymm3
+        vprord  ymm15, ymm15, 8
+        vprord  ymm12, ymm12, 8
+        vprord  ymm13, ymm13, 8
+        vprord  ymm14, ymm14, 8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm8, ymm13
+        vpaddd  ymm9, ymm9, ymm14
+        vpxord  ymm5, ymm5, ymm10
+        vpxord  ymm6, ymm6, ymm11
+        vpxord  ymm7, ymm7, ymm8
+        vpxord  ymm4, ymm4, ymm9
+        vprord  ymm5, ymm5, 7
+        vprord  ymm6, ymm6, 7
+        vprord  ymm7, ymm7, 7
+        vprord  ymm4, ymm4, 7
+        vpaddd  ymm0, ymm0, ymm18
+        vpaddd  ymm1, ymm1, ymm19
+        vpaddd  ymm2, ymm2, ymm23
+        vpaddd  ymm3, ymm3, ymm20
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxord  ymm12, ymm12, ymm0
+        vpxord  ymm13, ymm13, ymm1
+        vpxord  ymm14, ymm14, ymm2
+        vpxord  ymm15, ymm15, ymm3
+        vprord  ymm12, ymm12, 16
+        vprord  ymm13, ymm13, 16
+        vprord  ymm14, ymm14, 16
+        vprord  ymm15, ymm15, 16
+        vpaddd  ymm8, ymm8, ymm12
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxord  ymm4, ymm4, ymm8
+        vpxord  ymm5, ymm5, ymm9
+        vpxord  ymm6, ymm6, ymm10
+        vpxord  ymm7, ymm7, ymm11
+        vprord  ymm4, ymm4, 12
+        vprord  ymm5, ymm5, 12
+        vprord  ymm6, ymm6, 12
+        vprord  ymm7, ymm7, 12
+        vpaddd  ymm0, ymm0, ymm22
+        vpaddd  ymm1, ymm1, ymm26
+        vpaddd  ymm2, ymm2, ymm16
+        vpaddd  ymm3, ymm3, ymm29
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxord  ymm12, ymm12, ymm0
+        vpxord  ymm13, ymm13, ymm1
+        vpxord  ymm14, ymm14, ymm2
+        vpxord  ymm15, ymm15, ymm3
+        vprord  ymm12, ymm12, 8
+        vprord  ymm13, ymm13, 8
+        vprord  ymm14, ymm14, 8
+        vprord  ymm15, ymm15, 8
+        vpaddd  ymm8, ymm8, ymm12
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxord  ymm4, ymm4, ymm8
+        vpxord  ymm5, ymm5, ymm9
+        vpxord  ymm6, ymm6, ymm10
+        vpxord  ymm7, ymm7, ymm11
+        vprord  ymm4, ymm4, 7
+        vprord  ymm5, ymm5, 7
+        vprord  ymm6, ymm6, 7
+        vprord  ymm7, ymm7, 7
+        vpaddd  ymm0, ymm0, ymm17
+        vpaddd  ymm1, ymm1, ymm28
+        vpaddd  ymm2, ymm2, ymm25
+        vpaddd  ymm3, ymm3, ymm31
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxord  ymm15, ymm15, ymm0
+        vpxord  ymm12, ymm12, ymm1
+        vpxord  ymm13, ymm13, ymm2
+        vpxord  ymm14, ymm14, ymm3
+        vprord  ymm15, ymm15, 16
+        vprord  ymm12, ymm12, 16
+        vprord  ymm13, ymm13, 16
+        vprord  ymm14, ymm14, 16
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm8, ymm13
+        vpaddd  ymm9, ymm9, ymm14
+        vpxord  ymm5, ymm5, ymm10
+        vpxord  ymm6, ymm6, ymm11
+        vpxord  ymm7, ymm7, ymm8
+        vpxord  ymm4, ymm4, ymm9
+        vprord  ymm5, ymm5, 12
+        vprord  ymm6, ymm6, 12
+        vprord  ymm7, ymm7, 12
+        vprord  ymm4, ymm4, 12
+        vpaddd  ymm0, ymm0, ymm27
+        vpaddd  ymm1, ymm1, ymm21
+        vpaddd  ymm2, ymm2, ymm30
+        vpaddd  ymm3, ymm3, ymm24
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxord  ymm15, ymm15, ymm0
+        vpxord  ymm12, ymm12, ymm1
+        vpxord  ymm13, ymm13, ymm2
+        vpxord  ymm14, ymm14, ymm3
+        vprord  ymm15, ymm15, 8
+        vprord  ymm12, ymm12, 8
+        vprord  ymm13, ymm13, 8
+        vprord  ymm14, ymm14, 8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm8, ymm13
+        vpaddd  ymm9, ymm9, ymm14
+        vpxord  ymm5, ymm5, ymm10
+        vpxord  ymm6, ymm6, ymm11
+        vpxord  ymm7, ymm7, ymm8
+        vpxord  ymm4, ymm4, ymm9
+        vprord  ymm5, ymm5, 7
+        vprord  ymm6, ymm6, 7
+        vprord  ymm7, ymm7, 7
+        vprord  ymm4, ymm4, 7
+        vpaddd  ymm0, ymm0, ymm19
+        vpaddd  ymm1, ymm1, ymm26
+        vpaddd  ymm2, ymm2, ymm29
+        vpaddd  ymm3, ymm3, ymm23
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxord  ymm12, ymm12, ymm0
+        vpxord  ymm13, ymm13, ymm1
+        vpxord  ymm14, ymm14, ymm2
+        vpxord  ymm15, ymm15, ymm3
+        vprord  ymm12, ymm12, 16
+        vprord  ymm13, ymm13, 16
+        vprord  ymm14, ymm14, 16
+        vprord  ymm15, ymm15, 16
+        vpaddd  ymm8, ymm8, ymm12
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxord  ymm4, ymm4, ymm8
+        vpxord  ymm5, ymm5, ymm9
+        vpxord  ymm6, ymm6, ymm10
+        vpxord  ymm7, ymm7, ymm11
+        vprord  ymm4, ymm4, 12
+        vprord  ymm5, ymm5, 12
+        vprord  ymm6, ymm6, 12
+        vprord  ymm7, ymm7, 12
+        vpaddd  ymm0, ymm0, ymm20
+        vpaddd  ymm1, ymm1, ymm28
+        vpaddd  ymm2, ymm2, ymm18
+        vpaddd  ymm3, ymm3, ymm30
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxord  ymm12, ymm12, ymm0
+        vpxord  ymm13, ymm13, ymm1
+        vpxord  ymm14, ymm14, ymm2
+        vpxord  ymm15, ymm15, ymm3
+        vprord  ymm12, ymm12, 8
+        vprord  ymm13, ymm13, 8
+        vprord  ymm14, ymm14, 8
+        vprord  ymm15, ymm15, 8
+        vpaddd  ymm8, ymm8, ymm12
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxord  ymm4, ymm4, ymm8
+        vpxord  ymm5, ymm5, ymm9
+        vpxord  ymm6, ymm6, ymm10
+        vpxord  ymm7, ymm7, ymm11
+        vprord  ymm4, ymm4, 7
+        vprord  ymm5, ymm5, 7
+        vprord  ymm6, ymm6, 7
+        vprord  ymm7, ymm7, 7
+        vpaddd  ymm0, ymm0, ymm22
+        vpaddd  ymm1, ymm1, ymm25
+        vpaddd  ymm2, ymm2, ymm27
+        vpaddd  ymm3, ymm3, ymm24
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxord  ymm15, ymm15, ymm0
+        vpxord  ymm12, ymm12, ymm1
+        vpxord  ymm13, ymm13, ymm2
+        vpxord  ymm14, ymm14, ymm3
+        vprord  ymm15, ymm15, 16
+        vprord  ymm12, ymm12, 16
+        vprord  ymm13, ymm13, 16
+        vprord  ymm14, ymm14, 16
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm8, ymm13
+        vpaddd  ymm9, ymm9, ymm14
+        vpxord  ymm5, ymm5, ymm10
+        vpxord  ymm6, ymm6, ymm11
+        vpxord  ymm7, ymm7, ymm8
+        vpxord  ymm4, ymm4, ymm9
+        vprord  ymm5, ymm5, 12
+        vprord  ymm6, ymm6, 12
+        vprord  ymm7, ymm7, 12
+        vprord  ymm4, ymm4, 12
+        vpaddd  ymm0, ymm0, ymm21
+        vpaddd  ymm1, ymm1, ymm16
+        vpaddd  ymm2, ymm2, ymm31
+        vpaddd  ymm3, ymm3, ymm17
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxord  ymm15, ymm15, ymm0
+        vpxord  ymm12, ymm12, ymm1
+        vpxord  ymm13, ymm13, ymm2
+        vpxord  ymm14, ymm14, ymm3
+        vprord  ymm15, ymm15, 8
+        vprord  ymm12, ymm12, 8
+        vprord  ymm13, ymm13, 8
+        vprord  ymm14, ymm14, 8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm8, ymm13
+        vpaddd  ymm9, ymm9, ymm14
+        vpxord  ymm5, ymm5, ymm10
+        vpxord  ymm6, ymm6, ymm11
+        vpxord  ymm7, ymm7, ymm8
+        vpxord  ymm4, ymm4, ymm9
+        vprord  ymm5, ymm5, 7
+        vprord  ymm6, ymm6, 7
+        vprord  ymm7, ymm7, 7
+        vprord  ymm4, ymm4, 7
+        vpaddd  ymm0, ymm0, ymm26
+        vpaddd  ymm1, ymm1, ymm28
+        vpaddd  ymm2, ymm2, ymm30
+        vpaddd  ymm3, ymm3, ymm29
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxord  ymm12, ymm12, ymm0
+        vpxord  ymm13, ymm13, ymm1
+        vpxord  ymm14, ymm14, ymm2
+        vpxord  ymm15, ymm15, ymm3
+        vprord  ymm12, ymm12, 16
+        vprord  ymm13, ymm13, 16
+        vprord  ymm14, ymm14, 16
+        vprord  ymm15, ymm15, 16
+        vpaddd  ymm8, ymm8, ymm12
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxord  ymm4, ymm4, ymm8
+        vpxord  ymm5, ymm5, ymm9
+        vpxord  ymm6, ymm6, ymm10
+        vpxord  ymm7, ymm7, ymm11
+        vprord  ymm4, ymm4, 12
+        vprord  ymm5, ymm5, 12
+        vprord  ymm6, ymm6, 12
+        vprord  ymm7, ymm7, 12
+        vpaddd  ymm0, ymm0, ymm23
+        vpaddd  ymm1, ymm1, ymm25
+        vpaddd  ymm2, ymm2, ymm19
+        vpaddd  ymm3, ymm3, ymm31
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxord  ymm12, ymm12, ymm0
+        vpxord  ymm13, ymm13, ymm1
+        vpxord  ymm14, ymm14, ymm2
+        vpxord  ymm15, ymm15, ymm3
+        vprord  ymm12, ymm12, 8
+        vprord  ymm13, ymm13, 8
+        vprord  ymm14, ymm14, 8
+        vprord  ymm15, ymm15, 8
+        vpaddd  ymm8, ymm8, ymm12
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxord  ymm4, ymm4, ymm8
+        vpxord  ymm5, ymm5, ymm9
+        vpxord  ymm6, ymm6, ymm10
+        vpxord  ymm7, ymm7, ymm11
+        vprord  ymm4, ymm4, 7
+        vprord  ymm5, ymm5, 7
+        vprord  ymm6, ymm6, 7
+        vprord  ymm7, ymm7, 7
+        vpaddd  ymm0, ymm0, ymm20
+        vpaddd  ymm1, ymm1, ymm27
+        vpaddd  ymm2, ymm2, ymm21
+        vpaddd  ymm3, ymm3, ymm17
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxord  ymm15, ymm15, ymm0
+        vpxord  ymm12, ymm12, ymm1
+        vpxord  ymm13, ymm13, ymm2
+        vpxord  ymm14, ymm14, ymm3
+        vprord  ymm15, ymm15, 16
+        vprord  ymm12, ymm12, 16
+        vprord  ymm13, ymm13, 16
+        vprord  ymm14, ymm14, 16
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm8, ymm13
+        vpaddd  ymm9, ymm9, ymm14
+        vpxord  ymm5, ymm5, ymm10
+        vpxord  ymm6, ymm6, ymm11
+        vpxord  ymm7, ymm7, ymm8
+        vpxord  ymm4, ymm4, ymm9
+        vprord  ymm5, ymm5, 12
+        vprord  ymm6, ymm6, 12
+        vprord  ymm7, ymm7, 12
+        vprord  ymm4, ymm4, 12
+        vpaddd  ymm0, ymm0, ymm16
+        vpaddd  ymm1, ymm1, ymm18
+        vpaddd  ymm2, ymm2, ymm24
+        vpaddd  ymm3, ymm3, ymm22
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxord  ymm15, ymm15, ymm0
+        vpxord  ymm12, ymm12, ymm1
+        vpxord  ymm13, ymm13, ymm2
+        vpxord  ymm14, ymm14, ymm3
+        vprord  ymm15, ymm15, 8
+        vprord  ymm12, ymm12, 8
+        vprord  ymm13, ymm13, 8
+        vprord  ymm14, ymm14, 8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm8, ymm13
+        vpaddd  ymm9, ymm9, ymm14
+        vpxord  ymm5, ymm5, ymm10
+        vpxord  ymm6, ymm6, ymm11
+        vpxord  ymm7, ymm7, ymm8
+        vpxord  ymm4, ymm4, ymm9
+        vprord  ymm5, ymm5, 7
+        vprord  ymm6, ymm6, 7
+        vprord  ymm7, ymm7, 7
+        vprord  ymm4, ymm4, 7
+        vpaddd  ymm0, ymm0, ymm28
+        vpaddd  ymm1, ymm1, ymm25
+        vpaddd  ymm2, ymm2, ymm31
+        vpaddd  ymm3, ymm3, ymm30
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxord  ymm12, ymm12, ymm0
+        vpxord  ymm13, ymm13, ymm1
+        vpxord  ymm14, ymm14, ymm2
+        vpxord  ymm15, ymm15, ymm3
+        vprord  ymm12, ymm12, 16
+        vprord  ymm13, ymm13, 16
+        vprord  ymm14, ymm14, 16
+        vprord  ymm15, ymm15, 16
+        vpaddd  ymm8, ymm8, ymm12
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxord  ymm4, ymm4, ymm8
+        vpxord  ymm5, ymm5, ymm9
+        vpxord  ymm6, ymm6, ymm10
+        vpxord  ymm7, ymm7, ymm11
+        vprord  ymm4, ymm4, 12
+        vprord  ymm5, ymm5, 12
+        vprord  ymm6, ymm6, 12
+        vprord  ymm7, ymm7, 12
+        vpaddd  ymm0, ymm0, ymm29
+        vpaddd  ymm1, ymm1, ymm27
+        vpaddd  ymm2, ymm2, ymm26
+        vpaddd  ymm3, ymm3, ymm24
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxord  ymm12, ymm12, ymm0
+        vpxord  ymm13, ymm13, ymm1
+        vpxord  ymm14, ymm14, ymm2
+        vpxord  ymm15, ymm15, ymm3
+        vprord  ymm12, ymm12, 8
+        vprord  ymm13, ymm13, 8
+        vprord  ymm14, ymm14, 8
+        vprord  ymm15, ymm15, 8
+        vpaddd  ymm8, ymm8, ymm12
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxord  ymm4, ymm4, ymm8
+        vpxord  ymm5, ymm5, ymm9
+        vpxord  ymm6, ymm6, ymm10
+        vpxord  ymm7, ymm7, ymm11
+        vprord  ymm4, ymm4, 7
+        vprord  ymm5, ymm5, 7
+        vprord  ymm6, ymm6, 7
+        vprord  ymm7, ymm7, 7
+        vpaddd  ymm0, ymm0, ymm23
+        vpaddd  ymm1, ymm1, ymm21
+        vpaddd  ymm2, ymm2, ymm16
+        vpaddd  ymm3, ymm3, ymm22
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxord  ymm15, ymm15, ymm0
+        vpxord  ymm12, ymm12, ymm1
+        vpxord  ymm13, ymm13, ymm2
+        vpxord  ymm14, ymm14, ymm3
+        vprord  ymm15, ymm15, 16
+        vprord  ymm12, ymm12, 16
+        vprord  ymm13, ymm13, 16
+        vprord  ymm14, ymm14, 16
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm8, ymm13
+        vpaddd  ymm9, ymm9, ymm14
+        vpxord  ymm5, ymm5, ymm10
+        vpxord  ymm6, ymm6, ymm11
+        vpxord  ymm7, ymm7, ymm8
+        vpxord  ymm4, ymm4, ymm9
+        vprord  ymm5, ymm5, 12
+        vprord  ymm6, ymm6, 12
+        vprord  ymm7, ymm7, 12
+        vprord  ymm4, ymm4, 12
+        vpaddd  ymm0, ymm0, ymm18
+        vpaddd  ymm1, ymm1, ymm19
+        vpaddd  ymm2, ymm2, ymm17
+        vpaddd  ymm3, ymm3, ymm20
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxord  ymm15, ymm15, ymm0
+        vpxord  ymm12, ymm12, ymm1
+        vpxord  ymm13, ymm13, ymm2
+        vpxord  ymm14, ymm14, ymm3
+        vprord  ymm15, ymm15, 8
+        vprord  ymm12, ymm12, 8
+        vprord  ymm13, ymm13, 8
+        vprord  ymm14, ymm14, 8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm8, ymm13
+        vpaddd  ymm9, ymm9, ymm14
+        vpxord  ymm5, ymm5, ymm10
+        vpxord  ymm6, ymm6, ymm11
+        vpxord  ymm7, ymm7, ymm8
+        vpxord  ymm4, ymm4, ymm9
+        vprord  ymm5, ymm5, 7
+        vprord  ymm6, ymm6, 7
+        vprord  ymm7, ymm7, 7
+        vprord  ymm4, ymm4, 7
+        vpaddd  ymm0, ymm0, ymm25
+        vpaddd  ymm1, ymm1, ymm27
+        vpaddd  ymm2, ymm2, ymm24
+        vpaddd  ymm3, ymm3, ymm31
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxord  ymm12, ymm12, ymm0
+        vpxord  ymm13, ymm13, ymm1
+        vpxord  ymm14, ymm14, ymm2
+        vpxord  ymm15, ymm15, ymm3
+        vprord  ymm12, ymm12, 16
+        vprord  ymm13, ymm13, 16
+        vprord  ymm14, ymm14, 16
+        vprord  ymm15, ymm15, 16
+        vpaddd  ymm8, ymm8, ymm12
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxord  ymm4, ymm4, ymm8
+        vpxord  ymm5, ymm5, ymm9
+        vpxord  ymm6, ymm6, ymm10
+        vpxord  ymm7, ymm7, ymm11
+        vprord  ymm4, ymm4, 12
+        vprord  ymm5, ymm5, 12
+        vprord  ymm6, ymm6, 12
+        vprord  ymm7, ymm7, 12
+        vpaddd  ymm0, ymm0, ymm30
+        vpaddd  ymm1, ymm1, ymm21
+        vpaddd  ymm2, ymm2, ymm28
+        vpaddd  ymm3, ymm3, ymm17
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxord  ymm12, ymm12, ymm0
+        vpxord  ymm13, ymm13, ymm1
+        vpxord  ymm14, ymm14, ymm2
+        vpxord  ymm15, ymm15, ymm3
+        vprord  ymm12, ymm12, 8
+        vprord  ymm13, ymm13, 8
+        vprord  ymm14, ymm14, 8
+        vprord  ymm15, ymm15, 8
+        vpaddd  ymm8, ymm8, ymm12
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxord  ymm4, ymm4, ymm8
+        vpxord  ymm5, ymm5, ymm9
+        vpxord  ymm6, ymm6, ymm10
+        vpxord  ymm7, ymm7, ymm11
+        vprord  ymm4, ymm4, 7
+        vprord  ymm5, ymm5, 7
+        vprord  ymm6, ymm6, 7
+        vprord  ymm7, ymm7, 7
+        vpaddd  ymm0, ymm0, ymm29
+        vpaddd  ymm1, ymm1, ymm16
+        vpaddd  ymm2, ymm2, ymm18
+        vpaddd  ymm3, ymm3, ymm20
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxord  ymm15, ymm15, ymm0
+        vpxord  ymm12, ymm12, ymm1
+        vpxord  ymm13, ymm13, ymm2
+        vpxord  ymm14, ymm14, ymm3
+        vprord  ymm15, ymm15, 16
+        vprord  ymm12, ymm12, 16
+        vprord  ymm13, ymm13, 16
+        vprord  ymm14, ymm14, 16
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm8, ymm13
+        vpaddd  ymm9, ymm9, ymm14
+        vpxord  ymm5, ymm5, ymm10
+        vpxord  ymm6, ymm6, ymm11
+        vpxord  ymm7, ymm7, ymm8
+        vpxord  ymm4, ymm4, ymm9
+        vprord  ymm5, ymm5, 12
+        vprord  ymm6, ymm6, 12
+        vprord  ymm7, ymm7, 12
+        vprord  ymm4, ymm4, 12
+        vpaddd  ymm0, ymm0, ymm19
+        vpaddd  ymm1, ymm1, ymm26
+        vpaddd  ymm2, ymm2, ymm22
+        vpaddd  ymm3, ymm3, ymm23
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxord  ymm15, ymm15, ymm0
+        vpxord  ymm12, ymm12, ymm1
+        vpxord  ymm13, ymm13, ymm2
+        vpxord  ymm14, ymm14, ymm3
+        vprord  ymm15, ymm15, 8
+        vprord  ymm12, ymm12, 8
+        vprord  ymm13, ymm13, 8
+        vprord  ymm14, ymm14, 8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm8, ymm13
+        vpaddd  ymm9, ymm9, ymm14
+        vpxord  ymm5, ymm5, ymm10
+        vpxord  ymm6, ymm6, ymm11
+        vpxord  ymm7, ymm7, ymm8
+        vpxord  ymm4, ymm4, ymm9
+        vprord  ymm5, ymm5, 7
+        vprord  ymm6, ymm6, 7
+        vprord  ymm7, ymm7, 7
+        vprord  ymm4, ymm4, 7
+        vpaddd  ymm0, ymm0, ymm27
+        vpaddd  ymm1, ymm1, ymm21
+        vpaddd  ymm2, ymm2, ymm17
+        vpaddd  ymm3, ymm3, ymm24
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxord  ymm12, ymm12, ymm0
+        vpxord  ymm13, ymm13, ymm1
+        vpxord  ymm14, ymm14, ymm2
+        vpxord  ymm15, ymm15, ymm3
+        vprord  ymm12, ymm12, 16
+        vprord  ymm13, ymm13, 16
+        vprord  ymm14, ymm14, 16
+        vprord  ymm15, ymm15, 16
+        vpaddd  ymm8, ymm8, ymm12
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxord  ymm4, ymm4, ymm8
+        vpxord  ymm5, ymm5, ymm9
+        vpxord  ymm6, ymm6, ymm10
+        vpxord  ymm7, ymm7, ymm11
+        vprord  ymm4, ymm4, 12
+        vprord  ymm5, ymm5, 12
+        vprord  ymm6, ymm6, 12
+        vprord  ymm7, ymm7, 12
+        vpaddd  ymm0, ymm0, ymm31
+        vpaddd  ymm1, ymm1, ymm16
+        vpaddd  ymm2, ymm2, ymm25
+        vpaddd  ymm3, ymm3, ymm22
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm1, ymm1, ymm5
+        vpaddd  ymm2, ymm2, ymm6
+        vpaddd  ymm3, ymm3, ymm7
+        vpxord  ymm12, ymm12, ymm0
+        vpxord  ymm13, ymm13, ymm1
+        vpxord  ymm14, ymm14, ymm2
+        vpxord  ymm15, ymm15, ymm3
+        vprord  ymm12, ymm12, 8
+        vprord  ymm13, ymm13, 8
+        vprord  ymm14, ymm14, 8
+        vprord  ymm15, ymm15, 8
+        vpaddd  ymm8, ymm8, ymm12
+        vpaddd  ymm9, ymm9, ymm13
+        vpaddd  ymm10, ymm10, ymm14
+        vpaddd  ymm11, ymm11, ymm15
+        vpxord  ymm4, ymm4, ymm8
+        vpxord  ymm5, ymm5, ymm9
+        vpxord  ymm6, ymm6, ymm10
+        vpxord  ymm7, ymm7, ymm11
+        vprord  ymm4, ymm4, 7
+        vprord  ymm5, ymm5, 7
+        vprord  ymm6, ymm6, 7
+        vprord  ymm7, ymm7, 7
+        vpaddd  ymm0, ymm0, ymm30
+        vpaddd  ymm1, ymm1, ymm18
+        vpaddd  ymm2, ymm2, ymm19
+        vpaddd  ymm3, ymm3, ymm23
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxord  ymm15, ymm15, ymm0
+        vpxord  ymm12, ymm12, ymm1
+        vpxord  ymm13, ymm13, ymm2
+        vpxord  ymm14, ymm14, ymm3
+        vprord  ymm15, ymm15, 16
+        vprord  ymm12, ymm12, 16
+        vprord  ymm13, ymm13, 16
+        vprord  ymm14, ymm14, 16
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm8, ymm13
+        vpaddd  ymm9, ymm9, ymm14
+        vpxord  ymm5, ymm5, ymm10
+        vpxord  ymm6, ymm6, ymm11
+        vpxord  ymm7, ymm7, ymm8
+        vpxord  ymm4, ymm4, ymm9
+        vprord  ymm5, ymm5, 12
+        vprord  ymm6, ymm6, 12
+        vprord  ymm7, ymm7, 12
+        vprord  ymm4, ymm4, 12
+        vpaddd  ymm0, ymm0, ymm26
+        vpaddd  ymm1, ymm1, ymm28
+        vpaddd  ymm2, ymm2, ymm20
+        vpaddd  ymm3, ymm3, ymm29
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm1, ymm1, ymm6
+        vpaddd  ymm2, ymm2, ymm7
+        vpaddd  ymm3, ymm3, ymm4
+        vpxord  ymm15, ymm15, ymm0
+        vpxord  ymm12, ymm12, ymm1
+        vpxord  ymm13, ymm13, ymm2
+        vpxord  ymm14, ymm14, ymm3
+        vprord  ymm15, ymm15, 8
+        vprord  ymm12, ymm12, 8
+        vprord  ymm13, ymm13, 8
+        vprord  ymm14, ymm14, 8
+        vpaddd  ymm10, ymm10, ymm15
+        vpaddd  ymm11, ymm11, ymm12
+        vpaddd  ymm8, ymm8, ymm13
+        vpaddd  ymm9, ymm9, ymm14
+        vpxord  ymm5, ymm5, ymm10
+        vpxord  ymm6, ymm6, ymm11
+        vpxord  ymm7, ymm7, ymm8
+        vpxord  ymm4, ymm4, ymm9
+        vprord  ymm5, ymm5, 7
+        vprord  ymm6, ymm6, 7
+        vprord  ymm7, ymm7, 7
+        vprord  ymm4, ymm4, 7
+        vpxor   ymm0, ymm0, ymm8
+        vpxor   ymm1, ymm1, ymm9
+        vpxor   ymm2, ymm2, ymm10
+        vpxor   ymm3, ymm3, ymm11
+        vpxor   ymm4, ymm4, ymm12
+        vpxor   ymm5, ymm5, ymm13
+        vpxor   ymm6, ymm6, ymm14
+        vpxor   ymm7, ymm7, ymm15
+        movzx   eax, byte ptr [rbp+0x78]
+        jne     2b
+        mov     rbx, qword ptr [rbp+0x90]
+        vunpcklps ymm8, ymm0, ymm1
+        vunpcklps ymm9, ymm2, ymm3
+        vunpckhps ymm10, ymm0, ymm1
+        vunpcklps ymm11, ymm4, ymm5
+        vunpcklps ymm0, ymm6, ymm7
+        vshufps ymm12, ymm8, ymm9, 78
+        vblendps ymm1, ymm8, ymm12, 0xCC
+        vshufps ymm8, ymm11, ymm0, 78
+        vunpckhps ymm13, ymm2, ymm3
+        vblendps ymm2, ymm11, ymm8, 0xCC
+        vblendps ymm3, ymm12, ymm9, 0xCC
+        vperm2f128 ymm12, ymm1, ymm2, 0x20
+        vmovups ymmword ptr [rbx], ymm12
+        vunpckhps ymm14, ymm4, ymm5
+        vblendps ymm4, ymm8, ymm0, 0xCC
+        vunpckhps ymm15, ymm6, ymm7
+        vperm2f128 ymm7, ymm3, ymm4, 0x20
+        vmovups ymmword ptr [rbx+0x20], ymm7
+        vshufps ymm5, ymm10, ymm13, 78
+        vblendps ymm6, ymm5, ymm13, 0xCC
+        vshufps ymm13, ymm14, ymm15, 78
+        vblendps ymm10, ymm10, ymm5, 0xCC
+        vblendps ymm14, ymm14, ymm13, 0xCC
+        vperm2f128 ymm8, ymm10, ymm14, 0x20
+        vmovups ymmword ptr [rbx+0x40], ymm8
+        vblendps ymm15, ymm13, ymm15, 0xCC
+        vperm2f128 ymm13, ymm6, ymm15, 0x20
+        vmovups ymmword ptr [rbx+0x60], ymm13
+        vperm2f128 ymm9, ymm1, ymm2, 0x31
+        vperm2f128 ymm11, ymm3, ymm4, 0x31
+        vmovups ymmword ptr [rbx+0x80], ymm9
+        vperm2f128 ymm14, ymm10, ymm14, 0x31
+        vperm2f128 ymm15, ymm6, ymm15, 0x31
+        vmovups ymmword ptr [rbx+0xA0], ymm11
+        vmovups ymmword ptr [rbx+0xC0], ymm14
+        vmovups ymmword ptr [rbx+0xE0], ymm15
+        vmovdqa ymm0, ymmword ptr [rsp]
+        vmovdqa ymm2, ymmword ptr [rsp+0x40]
+        vmovdqa32 ymm0 {{k1}}, ymmword ptr [rsp+0x1*0x20]
+        vmovdqa32 ymm2 {{k1}}, ymmword ptr [rsp+0x3*0x20]
+        vmovdqa ymmword ptr [rsp], ymm0
+        vmovdqa ymmword ptr [rsp+0x40], ymm2
+        add     rbx, 256
+        mov     qword ptr [rbp+0x90], rbx
+        add     rdi, 64
+        sub     rsi, 8
+3:
+        mov     rbx, qword ptr [rbp+0x90]
+        mov     r15, qword ptr [rsp+0x80]
+        movzx   r13, byte ptr [rbp+0x78]
+        movzx   r12, byte ptr [rbp+0x88]
+        test    esi, 0x4
+        je      3f
+        vbroadcasti32x4 zmm0, xmmword ptr [rcx]
+        vbroadcasti32x4 zmm1, xmmword ptr [rcx+0x1*0x10]
+        vmovdqa xmm12, xmmword ptr [rsp]
+        vmovdqa xmm13, xmmword ptr [rsp+0x40]
+        vpunpckldq xmm14, xmm12, xmm13
+        vpunpckhdq xmm15, xmm12, xmm13
+        vpermq  ymm14, ymm14, 0xDC
+        vpermq  ymm15, ymm15, 0xDC
+        vpbroadcastd zmm12, dword ptr [BLAKE3_BLOCK_LEN+rip]
+        vinserti64x4 zmm13, zmm14, ymm15, 0x01
+        mov     eax, 17476
+        kmovw   k2, eax
+        vpblendmd zmm13 {{k2}}, zmm13, zmm12
+        vbroadcasti32x4 zmm15, xmmword ptr [BLAKE3_IV+rip]
+        mov     r8, qword ptr [rdi]
+        mov     r9, qword ptr [rdi+0x8]
+        mov     r10, qword ptr [rdi+0x10]
+        mov     r11, qword ptr [rdi+0x18]
+        mov     eax, 43690
+        kmovw   k3, eax
+        mov     eax, 34952
+        kmovw   k4, eax
+        movzx   eax, byte ptr [rbp+0x80]
+        or      eax, r13d
+        xor     edx, edx
+.p2align 5
+2:
+        mov     r14d, eax
+        or      eax, r12d
+        add     rdx, 64
+        cmp     rdx, r15
+        cmovne  eax, r14d
+        mov     dword ptr [rsp+0x88], eax
+        vmovdqa32 zmm2, zmm15
+        vpbroadcastd zmm8, dword ptr [rsp+0x22*0x4]
+        vpblendmd zmm3 {{k4}}, zmm13, zmm8
+        vmovups zmm8, zmmword ptr [r8+rdx-0x1*0x40]
+        vinserti32x4 zmm8, zmm8, xmmword ptr [r9+rdx-0x4*0x10], 0x01
+        vinserti32x4 zmm8, zmm8, xmmword ptr [r10+rdx-0x4*0x10], 0x02
+        vinserti32x4 zmm8, zmm8, xmmword ptr [r11+rdx-0x4*0x10], 0x03
+        vmovups zmm9, zmmword ptr [r8+rdx-0x30]
+        vinserti32x4 zmm9, zmm9, xmmword ptr [r9+rdx-0x3*0x10], 0x01
+        vinserti32x4 zmm9, zmm9, xmmword ptr [r10+rdx-0x3*0x10], 0x02
+        vinserti32x4 zmm9, zmm9, xmmword ptr [r11+rdx-0x3*0x10], 0x03
+        vshufps zmm4, zmm8, zmm9, 136
+        vshufps zmm5, zmm8, zmm9, 221
+        vmovups zmm8, zmmword ptr [r8+rdx-0x20]
+        vinserti32x4 zmm8, zmm8, xmmword ptr [r9+rdx-0x2*0x10], 0x01
+        vinserti32x4 zmm8, zmm8, xmmword ptr [r10+rdx-0x2*0x10], 0x02
+        vinserti32x4 zmm8, zmm8, xmmword ptr [r11+rdx-0x2*0x10], 0x03
+        vmovups zmm9, zmmword ptr [r8+rdx-0x10]
+        vinserti32x4 zmm9, zmm9, xmmword ptr [r9+rdx-0x1*0x10], 0x01
+        vinserti32x4 zmm9, zmm9, xmmword ptr [r10+rdx-0x1*0x10], 0x02
+        vinserti32x4 zmm9, zmm9, xmmword ptr [r11+rdx-0x1*0x10], 0x03
+        vshufps zmm6, zmm8, zmm9, 136
+        vshufps zmm7, zmm8, zmm9, 221
+        vpshufd zmm6, zmm6, 0x93
+        vpshufd zmm7, zmm7, 0x93
+        mov     al, 7
+9:
+        vpaddd  zmm0, zmm0, zmm4
+        vpaddd  zmm0, zmm0, zmm1
+        vpxord  zmm3, zmm3, zmm0
+        vprord  zmm3, zmm3, 16
+        vpaddd  zmm2, zmm2, zmm3
+        vpxord  zmm1, zmm1, zmm2
+        vprord  zmm1, zmm1, 12
+        vpaddd  zmm0, zmm0, zmm5
+        vpaddd  zmm0, zmm0, zmm1
+        vpxord  zmm3, zmm3, zmm0
+        vprord  zmm3, zmm3, 8
+        vpaddd  zmm2, zmm2, zmm3
+        vpxord  zmm1, zmm1, zmm2
+        vprord  zmm1, zmm1, 7
+        vpshufd zmm0, zmm0, 0x93
+        vpshufd zmm3, zmm3, 0x4E
+        vpshufd zmm2, zmm2, 0x39
+        vpaddd  zmm0, zmm0, zmm6
+        vpaddd  zmm0, zmm0, zmm1
+        vpxord  zmm3, zmm3, zmm0
+        vprord  zmm3, zmm3, 16
+        vpaddd  zmm2, zmm2, zmm3
+        vpxord  zmm1, zmm1, zmm2
+        vprord  zmm1, zmm1, 12
+        vpaddd  zmm0, zmm0, zmm7
+        vpaddd  zmm0, zmm0, zmm1
+        vpxord  zmm3, zmm3, zmm0
+        vprord  zmm3, zmm3, 8
+        vpaddd  zmm2, zmm2, zmm3
+        vpxord  zmm1, zmm1, zmm2
+        vprord  zmm1, zmm1, 7
+        vpshufd zmm0, zmm0, 0x39
+        vpshufd zmm3, zmm3, 0x4E
+        vpshufd zmm2, zmm2, 0x93
+        dec     al
+        jz      9f
+        vshufps zmm8, zmm4, zmm5, 214
+        vpshufd zmm9, zmm4, 0x0F
+        vpshufd zmm4, zmm8, 0x39
+        vshufps zmm8, zmm6, zmm7, 250
+        vpblendmd zmm9 {{k3}}, zmm9, zmm8
+        vpunpcklqdq zmm8, zmm7, zmm5
+        vpblendmd zmm8 {{k4}}, zmm8, zmm6
+        vpshufd zmm8, zmm8, 0x78
+        vpunpckhdq zmm5, zmm5, zmm7
+        vpunpckldq zmm6, zmm6, zmm5
+        vpshufd zmm7, zmm6, 0x1E
+        vmovdqa32 zmm5, zmm9
+        vmovdqa32 zmm6, zmm8
+        jmp     9b
+9:
+        vpxord  zmm0, zmm0, zmm2
+        vpxord  zmm1, zmm1, zmm3
+        mov     eax, r13d
+        cmp     rdx, r15
+        jne     2b
+        vmovdqu xmmword ptr [rbx], xmm0
+        vmovdqu xmmword ptr [rbx+0x10], xmm1
+        vextracti128 xmmword ptr [rbx+0x20], ymm0, 0x01
+        vextracti128 xmmword ptr [rbx+0x30], ymm1, 0x01
+        vextracti32x4 xmmword ptr [rbx+0x4*0x10], zmm0, 0x02
+        vextracti32x4 xmmword ptr [rbx+0x5*0x10], zmm1, 0x02
+        vextracti32x4 xmmword ptr [rbx+0x6*0x10], zmm0, 0x03
+        vextracti32x4 xmmword ptr [rbx+0x7*0x10], zmm1, 0x03
+        vmovdqa xmm0, xmmword ptr [rsp]
+        vmovdqa xmm2, xmmword ptr [rsp+0x40]
+        vmovdqa32 xmm0 {{k1}}, xmmword ptr [rsp+0x1*0x10]
+        vmovdqa32 xmm2 {{k1}}, xmmword ptr [rsp+0x5*0x10]
+        vmovdqa xmmword ptr [rsp], xmm0
+        vmovdqa xmmword ptr [rsp+0x40], xmm2
+        add     rbx, 128
+        add     rdi, 32
+        sub     rsi, 4
+3:
+        test    esi, 0x2
+        je      3f
+        vbroadcasti128 ymm0, xmmword ptr [rcx]
+        vbroadcasti128 ymm1, xmmword ptr [rcx+0x10]
+        vmovd   xmm13, dword ptr [rsp]
+        vpinsrd xmm13, xmm13, dword ptr [rsp+0x40], 1
+        vpinsrd xmm13, xmm13, dword ptr [BLAKE3_BLOCK_LEN+rip], 2
+        vmovd   xmm14, dword ptr [rsp+0x4]
+        vpinsrd xmm14, xmm14, dword ptr [rsp+0x44], 1
+        vpinsrd xmm14, xmm14, dword ptr [BLAKE3_BLOCK_LEN+rip], 2
+        vinserti128 ymm13, ymm13, xmm14, 0x01
+        mov     r8, qword ptr [rdi]
+        mov     r9, qword ptr [rdi+0x8]
+        movzx   eax, byte ptr [rbp+0x80]
+        or      eax, r13d
+        xor     edx, edx
+.p2align 5
+2:
+        mov     r14d, eax
+        or      eax, r12d
+        add     rdx, 64
+        cmp     rdx, r15
+        cmovne  eax, r14d
+        mov     dword ptr [rsp+0x88], eax
+        vbroadcasti128 ymm2, xmmword ptr [BLAKE3_IV+rip]
+        vpbroadcastd ymm8, dword ptr [rsp+0x88]
+        vpblendd ymm3, ymm13, ymm8, 0x88
+        vmovups ymm8, ymmword ptr [r8+rdx-0x40]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r9+rdx-0x40], 0x01
+        vmovups ymm9, ymmword ptr [r8+rdx-0x30]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r9+rdx-0x30], 0x01
+        vshufps ymm4, ymm8, ymm9, 136
+        vshufps ymm5, ymm8, ymm9, 221
+        vmovups ymm8, ymmword ptr [r8+rdx-0x20]
+        vinsertf128 ymm8, ymm8, xmmword ptr [r9+rdx-0x20], 0x01
+        vmovups ymm9, ymmword ptr [r8+rdx-0x10]
+        vinsertf128 ymm9, ymm9, xmmword ptr [r9+rdx-0x10], 0x01
+        vshufps ymm6, ymm8, ymm9, 136
+        vshufps ymm7, ymm8, ymm9, 221
+        vpshufd ymm6, ymm6, 0x93
+        vpshufd ymm7, ymm7, 0x93
+        mov     al, 7
+9:
+        vpaddd  ymm0, ymm0, ymm4
+        vpaddd  ymm0, ymm0, ymm1
+        vpxord  ymm3, ymm3, ymm0
+        vprord  ymm3, ymm3, 16
+        vpaddd  ymm2, ymm2, ymm3
+        vpxord  ymm1, ymm1, ymm2
+        vprord  ymm1, ymm1, 12
+        vpaddd  ymm0, ymm0, ymm5
+        vpaddd  ymm0, ymm0, ymm1
+        vpxord  ymm3, ymm3, ymm0
+        vprord  ymm3, ymm3, 8
+        vpaddd  ymm2, ymm2, ymm3
+        vpxord  ymm1, ymm1, ymm2
+        vprord  ymm1, ymm1, 7
+        vpshufd ymm0, ymm0, 0x93
+        vpshufd ymm3, ymm3, 0x4E
+        vpshufd ymm2, ymm2, 0x39
+        vpaddd  ymm0, ymm0, ymm6
+        vpaddd  ymm0, ymm0, ymm1
+        vpxord  ymm3, ymm3, ymm0
+        vprord  ymm3, ymm3, 16
+        vpaddd  ymm2, ymm2, ymm3
+        vpxord  ymm1, ymm1, ymm2
+        vprord  ymm1, ymm1, 12
+        vpaddd  ymm0, ymm0, ymm7
+        vpaddd  ymm0, ymm0, ymm1
+        vpxord  ymm3, ymm3, ymm0
+        vprord  ymm3, ymm3, 8
+        vpaddd  ymm2, ymm2, ymm3
+        vpxord  ymm1, ymm1, ymm2
+        vprord  ymm1, ymm1, 7
+        vpshufd ymm0, ymm0, 0x39
+        vpshufd ymm3, ymm3, 0x4E
+        vpshufd ymm2, ymm2, 0x93
+        dec     al
+        jz      9f
+        vshufps ymm8, ymm4, ymm5, 214
+        vpshufd ymm9, ymm4, 0x0F
+        vpshufd ymm4, ymm8, 0x39
+        vshufps ymm8, ymm6, ymm7, 250
+        vpblendd ymm9, ymm9, ymm8, 0xAA
+        vpunpcklqdq ymm8, ymm7, ymm5
+        vpblendd ymm8, ymm8, ymm6, 0x88
+        vpshufd ymm8, ymm8, 0x78
+        vpunpckhdq ymm5, ymm5, ymm7
+        vpunpckldq ymm6, ymm6, ymm5
+        vpshufd ymm7, ymm6, 0x1E
+        vmovdqa ymm5, ymm9
+        vmovdqa ymm6, ymm8
+        jmp     9b
+9:
+        vpxor   ymm0, ymm0, ymm2
+        vpxor   ymm1, ymm1, ymm3
+        mov     eax, r13d
+        cmp     rdx, r15
+        jne     2b
+        vmovdqu xmmword ptr [rbx], xmm0
+        vmovdqu xmmword ptr [rbx+0x10], xmm1
+        vextracti128 xmmword ptr [rbx+0x20], ymm0, 0x01
+        vextracti128 xmmword ptr [rbx+0x30], ymm1, 0x01
+        vmovdqa xmm0, xmmword ptr [rsp]
+        vmovdqa xmm2, xmmword ptr [rsp+0x40]
+        vmovdqu32 xmm0 {{k1}}, xmmword ptr [rsp+0x8]
+        vmovdqu32 xmm2 {{k1}}, xmmword ptr [rsp+0x48]
+        vmovdqa xmmword ptr [rsp], xmm0
+        vmovdqa xmmword ptr [rsp+0x40], xmm2
+        add     rbx, 64
+        add     rdi, 16
+        sub     rsi, 2
+3:
+        test    esi, 0x1
+        je      4b
+        vmovdqu xmm0, xmmword ptr [rcx]
+        vmovdqu xmm1, xmmword ptr [rcx+0x10]
+        vmovd   xmm14, dword ptr [rsp]
+        vpinsrd xmm14, xmm14, dword ptr [rsp+0x40], 1
+        vpinsrd xmm14, xmm14, dword ptr [BLAKE3_BLOCK_LEN+rip], 2
+        vmovdqa xmm15, xmmword ptr [BLAKE3_IV+rip]
+        mov     r8, qword ptr [rdi]
+        movzx   eax, byte ptr [rbp+0x80]
+        or      eax, r13d
+        xor     edx, edx
+.p2align 5
+2:
+        mov     r14d, eax
+        or      eax, r12d
+        add     rdx, 64
+        cmp     rdx, r15
+        cmovne  eax, r14d
+        vpinsrd xmm3, xmm14, eax, 3
+        vmovdqa xmm2, xmm15
+        vmovups xmm8, xmmword ptr [r8+rdx-0x40]
+        vmovups xmm9, xmmword ptr [r8+rdx-0x30]
+        vshufps xmm4, xmm8, xmm9, 136
+        vshufps xmm5, xmm8, xmm9, 221
+        vmovups xmm8, xmmword ptr [r8+rdx-0x20]
+        vmovups xmm9, xmmword ptr [r8+rdx-0x10]
+        vshufps xmm6, xmm8, xmm9, 136
+        vshufps xmm7, xmm8, xmm9, 221
+        vpshufd xmm6, xmm6, 0x93
+        vpshufd xmm7, xmm7, 0x93
+        mov     al, 7
+9:
+        vpaddd  xmm0, xmm0, xmm4
+        vpaddd  xmm0, xmm0, xmm1
+        vpxord  xmm3, xmm3, xmm0
+        vprord  xmm3, xmm3, 16
+        vpaddd  xmm2, xmm2, xmm3
+        vpxord  xmm1, xmm1, xmm2
+        vprord  xmm1, xmm1, 12
+        vpaddd  xmm0, xmm0, xmm5
+        vpaddd  xmm0, xmm0, xmm1
+        vpxord  xmm3, xmm3, xmm0
+        vprord  xmm3, xmm3, 8
+        vpaddd  xmm2, xmm2, xmm3
+        vpxord  xmm1, xmm1, xmm2
+        vprord  xmm1, xmm1, 7
+        vpshufd xmm0, xmm0, 0x93
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x39
+        vpaddd  xmm0, xmm0, xmm6
+        vpaddd  xmm0, xmm0, xmm1
+        vpxord  xmm3, xmm3, xmm0
+        vprord  xmm3, xmm3, 16
+        vpaddd  xmm2, xmm2, xmm3
+        vpxord  xmm1, xmm1, xmm2
+        vprord  xmm1, xmm1, 12
+        vpaddd  xmm0, xmm0, xmm7
+        vpaddd  xmm0, xmm0, xmm1
+        vpxord  xmm3, xmm3, xmm0
+        vprord  xmm3, xmm3, 8
+        vpaddd  xmm2, xmm2, xmm3
+        vpxord  xmm1, xmm1, xmm2
+        vprord  xmm1, xmm1, 7
+        vpshufd xmm0, xmm0, 0x39
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x93
+        dec     al
+        jz      9f
+        vshufps xmm8, xmm4, xmm5, 214
+        vpshufd xmm9, xmm4, 0x0F
+        vpshufd xmm4, xmm8, 0x39
+        vshufps xmm8, xmm6, xmm7, 250
+        vpblendd xmm9, xmm9, xmm8, 0xAA
+        vpunpcklqdq xmm8, xmm7, xmm5
+        vpblendd xmm8, xmm8, xmm6, 0x88
+        vpshufd xmm8, xmm8, 0x78
+        vpunpckhdq xmm5, xmm5, xmm7
+        vpunpckldq xmm6, xmm6, xmm5
+        vpshufd xmm7, xmm6, 0x1E
+        vmovdqa xmm5, xmm9
+        vmovdqa xmm6, xmm8
+        jmp     9b
+9:
+        vpxor   xmm0, xmm0, xmm2
+        vpxor   xmm1, xmm1, xmm3
+        mov     eax, r13d
+        cmp     rdx, r15
+        jne     2b
+        vmovdqu xmmword ptr [rbx], xmm0
+        vmovdqu xmmword ptr [rbx+0x10], xmm1
+        jmp     4b
+
+
+.p2align 6
+_blake3_compress_in_place_avx512:
+blake3_compress_in_place_avx512:
+        sub     rsp, 72
+        vmovdqa xmmword ptr [rsp], xmm6
+        vmovdqa xmmword ptr [rsp+0x10], xmm7
+        vmovdqa xmmword ptr [rsp+0x20], xmm8
+        vmovdqa xmmword ptr [rsp+0x30], xmm9
+        vmovdqu xmm0, xmmword ptr [rcx]
+        vmovdqu xmm1, xmmword ptr [rcx+0x10]
+        movzx   eax, byte ptr [rsp+0x70]
+        movzx   r8d, r8b
+        shl     rax, 32
+        add     r8, rax
+        vmovq   xmm3, r9
+        vmovq   xmm4, r8
+        vpunpcklqdq xmm3, xmm3, xmm4
+        vmovaps xmm2, xmmword ptr [BLAKE3_IV+rip]
+        vmovups xmm8, xmmword ptr [rdx]
+        vmovups xmm9, xmmword ptr [rdx+0x10]
+        vshufps xmm4, xmm8, xmm9, 136
+        vshufps xmm5, xmm8, xmm9, 221
+        vmovups xmm8, xmmword ptr [rdx+0x20]
+        vmovups xmm9, xmmword ptr [rdx+0x30]
+        vshufps xmm6, xmm8, xmm9, 136
+        vshufps xmm7, xmm8, xmm9, 221
+        vpshufd xmm6, xmm6, 0x93
+        vpshufd xmm7, xmm7, 0x93
+        mov     al, 7
+9:
+        vpaddd  xmm0, xmm0, xmm4
+        vpaddd  xmm0, xmm0, xmm1
+        vpxord  xmm3, xmm3, xmm0
+        vprord  xmm3, xmm3, 16
+        vpaddd  xmm2, xmm2, xmm3
+        vpxord  xmm1, xmm1, xmm2
+        vprord  xmm1, xmm1, 12
+        vpaddd  xmm0, xmm0, xmm5
+        vpaddd  xmm0, xmm0, xmm1
+        vpxord  xmm3, xmm3, xmm0
+        vprord  xmm3, xmm3, 8
+        vpaddd  xmm2, xmm2, xmm3
+        vpxord  xmm1, xmm1, xmm2
+        vprord  xmm1, xmm1, 7
+        vpshufd xmm0, xmm0, 0x93
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x39
+        vpaddd  xmm0, xmm0, xmm6
+        vpaddd  xmm0, xmm0, xmm1
+        vpxord  xmm3, xmm3, xmm0
+        vprord  xmm3, xmm3, 16
+        vpaddd  xmm2, xmm2, xmm3
+        vpxord  xmm1, xmm1, xmm2
+        vprord  xmm1, xmm1, 12
+        vpaddd  xmm0, xmm0, xmm7
+        vpaddd  xmm0, xmm0, xmm1
+        vpxord  xmm3, xmm3, xmm0
+        vprord  xmm3, xmm3, 8
+        vpaddd  xmm2, xmm2, xmm3
+        vpxord  xmm1, xmm1, xmm2
+        vprord  xmm1, xmm1, 7
+        vpshufd xmm0, xmm0, 0x39
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x93
+        dec     al
+        jz      9f
+        vshufps xmm8, xmm4, xmm5, 214
+        vpshufd xmm9, xmm4, 0x0F
+        vpshufd xmm4, xmm8, 0x39
+        vshufps xmm8, xmm6, xmm7, 250
+        vpblendd xmm9, xmm9, xmm8, 0xAA
+        vpunpcklqdq xmm8, xmm7, xmm5
+        vpblendd xmm8, xmm8, xmm6, 0x88
+        vpshufd xmm8, xmm8, 0x78
+        vpunpckhdq xmm5, xmm5, xmm7
+        vpunpckldq xmm6, xmm6, xmm5
+        vpshufd xmm7, xmm6, 0x1E
+        vmovdqa xmm5, xmm9
+        vmovdqa xmm6, xmm8
+        jmp     9b
+9:
+        vpxor   xmm0, xmm0, xmm2
+        vpxor   xmm1, xmm1, xmm3
+        vmovdqu xmmword ptr [rcx], xmm0
+        vmovdqu xmmword ptr [rcx+0x10], xmm1
+        vmovdqa xmm6, xmmword ptr [rsp]
+        vmovdqa xmm7, xmmword ptr [rsp+0x10]
+        vmovdqa xmm8, xmmword ptr [rsp+0x20]
+        vmovdqa xmm9, xmmword ptr [rsp+0x30]
+        add     rsp, 72
+        ret
+
+
+.p2align 6
+_blake3_compress_xof_avx512:
+blake3_compress_xof_avx512:
+        sub     rsp, 72
+        vmovdqa xmmword ptr [rsp], xmm6
+        vmovdqa xmmword ptr [rsp+0x10], xmm7
+        vmovdqa xmmword ptr [rsp+0x20], xmm8
+        vmovdqa xmmword ptr [rsp+0x30], xmm9
+        vmovdqu xmm0, xmmword ptr [rcx]
+        vmovdqu xmm1, xmmword ptr [rcx+0x10]
+        movzx   eax, byte ptr [rsp+0x70]
+        movzx   r8d, r8b
+        mov     r10, qword ptr [rsp+0x78]
+        shl     rax, 32
+        add     r8, rax
+        vmovq   xmm3, r9
+        vmovq   xmm4, r8
+        vpunpcklqdq xmm3, xmm3, xmm4
+        vmovaps xmm2, xmmword ptr [BLAKE3_IV+rip]
+        vmovups xmm8, xmmword ptr [rdx]
+        vmovups xmm9, xmmword ptr [rdx+0x10]
+        vshufps xmm4, xmm8, xmm9, 136
+        vshufps xmm5, xmm8, xmm9, 221
+        vmovups xmm8, xmmword ptr [rdx+0x20]
+        vmovups xmm9, xmmword ptr [rdx+0x30]
+        vshufps xmm6, xmm8, xmm9, 136
+        vshufps xmm7, xmm8, xmm9, 221
+        vpshufd xmm6, xmm6, 0x93
+        vpshufd xmm7, xmm7, 0x93
+        mov     al, 7
+9:
+        vpaddd  xmm0, xmm0, xmm4
+        vpaddd  xmm0, xmm0, xmm1
+        vpxord  xmm3, xmm3, xmm0
+        vprord  xmm3, xmm3, 16
+        vpaddd  xmm2, xmm2, xmm3
+        vpxord  xmm1, xmm1, xmm2
+        vprord  xmm1, xmm1, 12
+        vpaddd  xmm0, xmm0, xmm5
+        vpaddd  xmm0, xmm0, xmm1
+        vpxord  xmm3, xmm3, xmm0
+        vprord  xmm3, xmm3, 8
+        vpaddd  xmm2, xmm2, xmm3
+        vpxord  xmm1, xmm1, xmm2
+        vprord  xmm1, xmm1, 7
+        vpshufd xmm0, xmm0, 0x93
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x39
+        vpaddd  xmm0, xmm0, xmm6
+        vpaddd  xmm0, xmm0, xmm1
+        vpxord  xmm3, xmm3, xmm0
+        vprord  xmm3, xmm3, 16
+        vpaddd  xmm2, xmm2, xmm3
+        vpxord  xmm1, xmm1, xmm2
+        vprord  xmm1, xmm1, 12
+        vpaddd  xmm0, xmm0, xmm7
+        vpaddd  xmm0, xmm0, xmm1
+        vpxord  xmm3, xmm3, xmm0
+        vprord  xmm3, xmm3, 8
+        vpaddd  xmm2, xmm2, xmm3
+        vpxord  xmm1, xmm1, xmm2
+        vprord  xmm1, xmm1, 7
+        vpshufd xmm0, xmm0, 0x39
+        vpshufd xmm3, xmm3, 0x4E
+        vpshufd xmm2, xmm2, 0x93
+        dec     al
+        jz      9f
+        vshufps xmm8, xmm4, xmm5, 214
+        vpshufd xmm9, xmm4, 0x0F
+        vpshufd xmm4, xmm8, 0x39
+        vshufps xmm8, xmm6, xmm7, 250
+        vpblendd xmm9, xmm9, xmm8, 0xAA
+        vpunpcklqdq xmm8, xmm7, xmm5
+        vpblendd xmm8, xmm8, xmm6, 0x88
+        vpshufd xmm8, xmm8, 0x78
+        vpunpckhdq xmm5, xmm5, xmm7
+        vpunpckldq xmm6, xmm6, xmm5
+        vpshufd xmm7, xmm6, 0x1E
+        vmovdqa xmm5, xmm9
+        vmovdqa xmm6, xmm8
+        jmp     9b
+9:
+        vpxor   xmm0, xmm0, xmm2
+        vpxor   xmm1, xmm1, xmm3
+        vpxor   xmm2, xmm2, xmmword ptr [rcx]
+        vpxor   xmm3, xmm3, xmmword ptr [rcx+0x10]
+        vmovdqu xmmword ptr [r10], xmm0
+        vmovdqu xmmword ptr [r10+0x10], xmm1
+        vmovdqu xmmword ptr [r10+0x20], xmm2
+        vmovdqu xmmword ptr [r10+0x30], xmm3
+        vmovdqa xmm6, xmmword ptr [rsp]
+        vmovdqa xmm7, xmmword ptr [rsp+0x10]
+        vmovdqa xmm8, xmmword ptr [rsp+0x20]
+        vmovdqa xmm9, xmmword ptr [rsp+0x30]
+        add     rsp, 72
+        ret
+
+.section .rdata
+.p2align  6
+INDEX0:
+        .long    0,  1,  2,  3, 16, 17, 18, 19
+        .long    8,  9, 10, 11, 24, 25, 26, 27
+INDEX1:
+        .long    4,  5,  6,  7, 20, 21, 22, 23
+        .long   12, 13, 14, 15, 28, 29, 30, 31
+ADD0:
+        .long    0,  1,  2,  3,  4,  5,  6,  7
+        .long    8,  9, 10, 11, 12, 13, 14, 15
+ADD1:   .long    1
+
+ADD16:  .long   16
+BLAKE3_BLOCK_LEN:
+        .long   64
+.p2align 6
+BLAKE3_IV:
+BLAKE3_IV_0:
+        .long   0x6A09E667
+BLAKE3_IV_1:
+        .long   0xBB67AE85
+BLAKE3_IV_2:
+        .long   0x3C6EF372
+BLAKE3_IV_3:
+        .long   0xA54FF53A
diff --git a/ext/blake3-smol/src/asm/blake3_sse2_x86-64_unix.S b/ext/blake3-smol/src/asm/blake3_sse2_x86-64_unix.S
new file mode 100644 (file)
index 0000000..934c2f7
--- /dev/null
@@ -0,0 +1,2285 @@
+# 0 "src/asm/blake3_sse2_x86-64_unix.S"
+# 0 "<built-in>"
+# 0 "<command-line>"
+# 1 "/usr/include/stdc-predef.h" 1 3 4
+# 0 "<command-line>" 2
+# 1 "src/asm/blake3_sse2_x86-64_unix.S"
+
+.section .note.GNU-stack,"",%progbits
+# 15 "src/asm/blake3_sse2_x86-64_unix.S"
+.global blake3_hash_many_sse2
+.global _blake3_hash_many_sse2
+.global blake3_compress_in_place_sse2
+.global _blake3_compress_in_place_sse2
+.global blake3_compress_xof_sse2
+.global _blake3_compress_xof_sse2
+
+
+
+.section .text
+
+        .p2align 6
+_blake3_hash_many_sse2:
+blake3_hash_many_sse2:
+       
+        push r15
+        push r14
+        push r13
+        push r12
+        push rbx
+        push rbp
+        mov rbp, rsp
+        sub rsp, 360
+        and rsp, 0xFFFFFFFFFFFFFFC0
+        neg r9d
+        movd xmm0, r9d
+        pshufd xmm0, xmm0, 0x00
+        movdqa xmmword ptr [rsp+0x130], xmm0
+        movdqa xmm1, xmm0
+        pand xmm1, xmmword ptr [201f+rip]
+        pand xmm0, xmmword ptr [202f+rip]
+        movdqa xmmword ptr [rsp+0x150], xmm0
+        movd xmm0, r8d
+        pshufd xmm0, xmm0, 0x00
+        paddd xmm0, xmm1
+        movdqa xmmword ptr [rsp+0x110], xmm0
+        pxor xmm0, xmmword ptr [208f+rip]
+        pxor xmm1, xmmword ptr [208f+rip]
+        pcmpgtd xmm1, xmm0
+        shr r8, 32
+        movd xmm2, r8d
+        pshufd xmm2, xmm2, 0x00
+        psubd xmm2, xmm1
+        movdqa xmmword ptr [rsp+0x120], xmm2
+        mov rbx, qword ptr [rbp+0x50]
+        mov r15, rdx
+        shl r15, 6
+        movzx r13d, byte ptr [rbp+0x38]
+        movzx r12d, byte ptr [rbp+0x48]
+        cmp rsi, 4
+        jc 3f
+2:
+        movdqu xmm3, xmmword ptr [rcx]
+        pshufd xmm0, xmm3, 0x00
+        pshufd xmm1, xmm3, 0x55
+        pshufd xmm2, xmm3, 0xAA
+        pshufd xmm3, xmm3, 0xFF
+        movdqu xmm7, xmmword ptr [rcx+0x10]
+        pshufd xmm4, xmm7, 0x00
+        pshufd xmm5, xmm7, 0x55
+        pshufd xmm6, xmm7, 0xAA
+        pshufd xmm7, xmm7, 0xFF
+        mov r8, qword ptr [rdi]
+        mov r9, qword ptr [rdi+0x8]
+        mov r10, qword ptr [rdi+0x10]
+        mov r11, qword ptr [rdi+0x18]
+        movzx eax, byte ptr [rbp+0x40]
+        or eax, r13d
+        xor edx, edx
+9:
+        mov r14d, eax
+        or eax, r12d
+        add rdx, 64
+        cmp rdx, r15
+        cmovne eax, r14d
+        movdqu xmm8, xmmword ptr [r8+rdx-0x40]
+        movdqu xmm9, xmmword ptr [r9+rdx-0x40]
+        movdqu xmm10, xmmword ptr [r10+rdx-0x40]
+        movdqu xmm11, xmmword ptr [r11+rdx-0x40]
+        movdqa xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa xmmword ptr [rsp], xmm8
+        movdqa xmmword ptr [rsp+0x10], xmm9
+        movdqa xmmword ptr [rsp+0x20], xmm12
+        movdqa xmmword ptr [rsp+0x30], xmm13
+        movdqu xmm8, xmmword ptr [r8+rdx-0x30]
+        movdqu xmm9, xmmword ptr [r9+rdx-0x30]
+        movdqu xmm10, xmmword ptr [r10+rdx-0x30]
+        movdqu xmm11, xmmword ptr [r11+rdx-0x30]
+        movdqa xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa xmmword ptr [rsp+0x40], xmm8
+        movdqa xmmword ptr [rsp+0x50], xmm9
+        movdqa xmmword ptr [rsp+0x60], xmm12
+        movdqa xmmword ptr [rsp+0x70], xmm13
+        movdqu xmm8, xmmword ptr [r8+rdx-0x20]
+        movdqu xmm9, xmmword ptr [r9+rdx-0x20]
+        movdqu xmm10, xmmword ptr [r10+rdx-0x20]
+        movdqu xmm11, xmmword ptr [r11+rdx-0x20]
+        movdqa xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa xmmword ptr [rsp+0x80], xmm8
+        movdqa xmmword ptr [rsp+0x90], xmm9
+        movdqa xmmword ptr [rsp+0xA0], xmm12
+        movdqa xmmword ptr [rsp+0xB0], xmm13
+        movdqu xmm8, xmmword ptr [r8+rdx-0x10]
+        movdqu xmm9, xmmword ptr [r9+rdx-0x10]
+        movdqu xmm10, xmmword ptr [r10+rdx-0x10]
+        movdqu xmm11, xmmword ptr [r11+rdx-0x10]
+        movdqa xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa xmmword ptr [rsp+0xC0], xmm8
+        movdqa xmmword ptr [rsp+0xD0], xmm9
+        movdqa xmmword ptr [rsp+0xE0], xmm12
+        movdqa xmmword ptr [rsp+0xF0], xmm13
+        movdqa xmm9, xmmword ptr [204f+rip]
+        movdqa xmm10, xmmword ptr [205f+rip]
+        movdqa xmm11, xmmword ptr [206f+rip]
+        movdqa xmm12, xmmword ptr [rsp+0x110]
+        movdqa xmm13, xmmword ptr [rsp+0x120]
+        movdqa xmm14, xmmword ptr [207f+rip]
+        movd xmm15, eax
+        pshufd xmm15, xmm15, 0x00
+        prefetcht0 [r8+rdx+0x80]
+        prefetcht0 [r9+rdx+0x80]
+        prefetcht0 [r10+rdx+0x80]
+        prefetcht0 [r11+rdx+0x80]
+        paddd xmm0, xmmword ptr [rsp]
+        paddd xmm1, xmmword ptr [rsp+0x20]
+        paddd xmm2, xmmword ptr [rsp+0x40]
+        paddd xmm3, xmmword ptr [rsp+0x60]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        movdqa xmm8, xmmword ptr [203f+rip]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x10]
+        paddd xmm1, xmmword ptr [rsp+0x30]
+        paddd xmm2, xmmword ptr [rsp+0x50]
+        paddd xmm3, xmmword ptr [rsp+0x70]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmm12
+        psrld xmm12, 8
+        pslld xmm8, 24
+        pxor xmm12, xmm8
+        movdqa xmm8, xmm13
+        psrld xmm13, 8
+        pslld xmm8, 24
+        pxor xmm13, xmm8
+        movdqa xmm8, xmm14
+        psrld xmm14, 8
+        pslld xmm8, 24
+        pxor xmm14, xmm8
+        movdqa xmm8, xmm15
+        psrld xmm15, 8
+        pslld xmm8, 24
+        pxor xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x80]
+        paddd xmm1, xmmword ptr [rsp+0xA0]
+        paddd xmm2, xmmword ptr [rsp+0xC0]
+        paddd xmm3, xmmword ptr [rsp+0xE0]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x90]
+        paddd xmm1, xmmword ptr [rsp+0xB0]
+        paddd xmm2, xmmword ptr [rsp+0xD0]
+        paddd xmm3, xmmword ptr [rsp+0xF0]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmm15
+        psrld xmm15, 8
+        pslld xmm8, 24
+        pxor xmm15, xmm8
+        movdqa xmm8, xmm12
+        psrld xmm12, 8
+        pslld xmm8, 24
+        pxor xmm12, xmm8
+        movdqa xmm8, xmm13
+        psrld xmm13, 8
+        pslld xmm8, 24
+        pxor xmm13, xmm8
+        movdqa xmm8, xmm14
+        psrld xmm14, 8
+        pslld xmm8, 24
+        pxor xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x20]
+        paddd xmm1, xmmword ptr [rsp+0x30]
+        paddd xmm2, xmmword ptr [rsp+0x70]
+        paddd xmm3, xmmword ptr [rsp+0x40]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x60]
+        paddd xmm1, xmmword ptr [rsp+0xA0]
+        paddd xmm2, xmmword ptr [rsp]
+        paddd xmm3, xmmword ptr [rsp+0xD0]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmm12
+        psrld xmm12, 8
+        pslld xmm8, 24
+        pxor xmm12, xmm8
+        movdqa xmm8, xmm13
+        psrld xmm13, 8
+        pslld xmm8, 24
+        pxor xmm13, xmm8
+        movdqa xmm8, xmm14
+        psrld xmm14, 8
+        pslld xmm8, 24
+        pxor xmm14, xmm8
+        movdqa xmm8, xmm15
+        psrld xmm15, 8
+        pslld xmm8, 24
+        pxor xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x10]
+        paddd xmm1, xmmword ptr [rsp+0xC0]
+        paddd xmm2, xmmword ptr [rsp+0x90]
+        paddd xmm3, xmmword ptr [rsp+0xF0]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xB0]
+        paddd xmm1, xmmword ptr [rsp+0x50]
+        paddd xmm2, xmmword ptr [rsp+0xE0]
+        paddd xmm3, xmmword ptr [rsp+0x80]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmm15
+        psrld xmm15, 8
+        pslld xmm8, 24
+        pxor xmm15, xmm8
+        movdqa xmm8, xmm12
+        psrld xmm12, 8
+        pslld xmm8, 24
+        pxor xmm12, xmm8
+        movdqa xmm8, xmm13
+        psrld xmm13, 8
+        pslld xmm8, 24
+        pxor xmm13, xmm8
+        movdqa xmm8, xmm14
+        psrld xmm14, 8
+        pslld xmm8, 24
+        pxor xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x30]
+        paddd xmm1, xmmword ptr [rsp+0xA0]
+        paddd xmm2, xmmword ptr [rsp+0xD0]
+        paddd xmm3, xmmword ptr [rsp+0x70]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x40]
+        paddd xmm1, xmmword ptr [rsp+0xC0]
+        paddd xmm2, xmmword ptr [rsp+0x20]
+        paddd xmm3, xmmword ptr [rsp+0xE0]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmm12
+        psrld xmm12, 8
+        pslld xmm8, 24
+        pxor xmm12, xmm8
+        movdqa xmm8, xmm13
+        psrld xmm13, 8
+        pslld xmm8, 24
+        pxor xmm13, xmm8
+        movdqa xmm8, xmm14
+        psrld xmm14, 8
+        pslld xmm8, 24
+        pxor xmm14, xmm8
+        movdqa xmm8, xmm15
+        psrld xmm15, 8
+        pslld xmm8, 24
+        pxor xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x60]
+        paddd xmm1, xmmword ptr [rsp+0x90]
+        paddd xmm2, xmmword ptr [rsp+0xB0]
+        paddd xmm3, xmmword ptr [rsp+0x80]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x50]
+        paddd xmm1, xmmword ptr [rsp]
+        paddd xmm2, xmmword ptr [rsp+0xF0]
+        paddd xmm3, xmmword ptr [rsp+0x10]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmm15
+        psrld xmm15, 8
+        pslld xmm8, 24
+        pxor xmm15, xmm8
+        movdqa xmm8, xmm12
+        psrld xmm12, 8
+        pslld xmm8, 24
+        pxor xmm12, xmm8
+        movdqa xmm8, xmm13
+        psrld xmm13, 8
+        pslld xmm8, 24
+        pxor xmm13, xmm8
+        movdqa xmm8, xmm14
+        psrld xmm14, 8
+        pslld xmm8, 24
+        pxor xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xA0]
+        paddd xmm1, xmmword ptr [rsp+0xC0]
+        paddd xmm2, xmmword ptr [rsp+0xE0]
+        paddd xmm3, xmmword ptr [rsp+0xD0]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x70]
+        paddd xmm1, xmmword ptr [rsp+0x90]
+        paddd xmm2, xmmword ptr [rsp+0x30]
+        paddd xmm3, xmmword ptr [rsp+0xF0]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmm12
+        psrld xmm12, 8
+        pslld xmm8, 24
+        pxor xmm12, xmm8
+        movdqa xmm8, xmm13
+        psrld xmm13, 8
+        pslld xmm8, 24
+        pxor xmm13, xmm8
+        movdqa xmm8, xmm14
+        psrld xmm14, 8
+        pslld xmm8, 24
+        pxor xmm14, xmm8
+        movdqa xmm8, xmm15
+        psrld xmm15, 8
+        pslld xmm8, 24
+        pxor xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x40]
+        paddd xmm1, xmmword ptr [rsp+0xB0]
+        paddd xmm2, xmmword ptr [rsp+0x50]
+        paddd xmm3, xmmword ptr [rsp+0x10]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp]
+        paddd xmm1, xmmword ptr [rsp+0x20]
+        paddd xmm2, xmmword ptr [rsp+0x80]
+        paddd xmm3, xmmword ptr [rsp+0x60]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmm15
+        psrld xmm15, 8
+        pslld xmm8, 24
+        pxor xmm15, xmm8
+        movdqa xmm8, xmm12
+        psrld xmm12, 8
+        pslld xmm8, 24
+        pxor xmm12, xmm8
+        movdqa xmm8, xmm13
+        psrld xmm13, 8
+        pslld xmm8, 24
+        pxor xmm13, xmm8
+        movdqa xmm8, xmm14
+        psrld xmm14, 8
+        pslld xmm8, 24
+        pxor xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xC0]
+        paddd xmm1, xmmword ptr [rsp+0x90]
+        paddd xmm2, xmmword ptr [rsp+0xF0]
+        paddd xmm3, xmmword ptr [rsp+0xE0]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xD0]
+        paddd xmm1, xmmword ptr [rsp+0xB0]
+        paddd xmm2, xmmword ptr [rsp+0xA0]
+        paddd xmm3, xmmword ptr [rsp+0x80]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmm12
+        psrld xmm12, 8
+        pslld xmm8, 24
+        pxor xmm12, xmm8
+        movdqa xmm8, xmm13
+        psrld xmm13, 8
+        pslld xmm8, 24
+        pxor xmm13, xmm8
+        movdqa xmm8, xmm14
+        psrld xmm14, 8
+        pslld xmm8, 24
+        pxor xmm14, xmm8
+        movdqa xmm8, xmm15
+        psrld xmm15, 8
+        pslld xmm8, 24
+        pxor xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x70]
+        paddd xmm1, xmmword ptr [rsp+0x50]
+        paddd xmm2, xmmword ptr [rsp]
+        paddd xmm3, xmmword ptr [rsp+0x60]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x20]
+        paddd xmm1, xmmword ptr [rsp+0x30]
+        paddd xmm2, xmmword ptr [rsp+0x10]
+        paddd xmm3, xmmword ptr [rsp+0x40]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmm15
+        psrld xmm15, 8
+        pslld xmm8, 24
+        pxor xmm15, xmm8
+        movdqa xmm8, xmm12
+        psrld xmm12, 8
+        pslld xmm8, 24
+        pxor xmm12, xmm8
+        movdqa xmm8, xmm13
+        psrld xmm13, 8
+        pslld xmm8, 24
+        pxor xmm13, xmm8
+        movdqa xmm8, xmm14
+        psrld xmm14, 8
+        pslld xmm8, 24
+        pxor xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x90]
+        paddd xmm1, xmmword ptr [rsp+0xB0]
+        paddd xmm2, xmmword ptr [rsp+0x80]
+        paddd xmm3, xmmword ptr [rsp+0xF0]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xE0]
+        paddd xmm1, xmmword ptr [rsp+0x50]
+        paddd xmm2, xmmword ptr [rsp+0xC0]
+        paddd xmm3, xmmword ptr [rsp+0x10]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmm12
+        psrld xmm12, 8
+        pslld xmm8, 24
+        pxor xmm12, xmm8
+        movdqa xmm8, xmm13
+        psrld xmm13, 8
+        pslld xmm8, 24
+        pxor xmm13, xmm8
+        movdqa xmm8, xmm14
+        psrld xmm14, 8
+        pslld xmm8, 24
+        pxor xmm14, xmm8
+        movdqa xmm8, xmm15
+        psrld xmm15, 8
+        pslld xmm8, 24
+        pxor xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xD0]
+        paddd xmm1, xmmword ptr [rsp]
+        paddd xmm2, xmmword ptr [rsp+0x20]
+        paddd xmm3, xmmword ptr [rsp+0x40]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x30]
+        paddd xmm1, xmmword ptr [rsp+0xA0]
+        paddd xmm2, xmmword ptr [rsp+0x60]
+        paddd xmm3, xmmword ptr [rsp+0x70]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmm15
+        psrld xmm15, 8
+        pslld xmm8, 24
+        pxor xmm15, xmm8
+        movdqa xmm8, xmm12
+        psrld xmm12, 8
+        pslld xmm8, 24
+        pxor xmm12, xmm8
+        movdqa xmm8, xmm13
+        psrld xmm13, 8
+        pslld xmm8, 24
+        pxor xmm13, xmm8
+        movdqa xmm8, xmm14
+        psrld xmm14, 8
+        pslld xmm8, 24
+        pxor xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xB0]
+        paddd xmm1, xmmword ptr [rsp+0x50]
+        paddd xmm2, xmmword ptr [rsp+0x10]
+        paddd xmm3, xmmword ptr [rsp+0x80]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xF0]
+        paddd xmm1, xmmword ptr [rsp]
+        paddd xmm2, xmmword ptr [rsp+0x90]
+        paddd xmm3, xmmword ptr [rsp+0x60]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmm12
+        psrld xmm12, 8
+        pslld xmm8, 24
+        pxor xmm12, xmm8
+        movdqa xmm8, xmm13
+        psrld xmm13, 8
+        pslld xmm8, 24
+        pxor xmm13, xmm8
+        movdqa xmm8, xmm14
+        psrld xmm14, 8
+        pslld xmm8, 24
+        pxor xmm14, xmm8
+        movdqa xmm8, xmm15
+        psrld xmm15, 8
+        pslld xmm8, 24
+        pxor xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xE0]
+        paddd xmm1, xmmword ptr [rsp+0x20]
+        paddd xmm2, xmmword ptr [rsp+0x30]
+        paddd xmm3, xmmword ptr [rsp+0x70]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xA0]
+        paddd xmm1, xmmword ptr [rsp+0xC0]
+        paddd xmm2, xmmword ptr [rsp+0x40]
+        paddd xmm3, xmmword ptr [rsp+0xD0]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmm15
+        psrld xmm15, 8
+        pslld xmm8, 24
+        pxor xmm15, xmm8
+        movdqa xmm8, xmm12
+        psrld xmm12, 8
+        pslld xmm8, 24
+        pxor xmm12, xmm8
+        movdqa xmm8, xmm13
+        psrld xmm13, 8
+        pslld xmm8, 24
+        pxor xmm13, xmm8
+        movdqa xmm8, xmm14
+        psrld xmm14, 8
+        pslld xmm8, 24
+        pxor xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        pxor xmm0, xmm8
+        pxor xmm1, xmm9
+        pxor xmm2, xmm10
+        pxor xmm3, xmm11
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        pxor xmm4, xmm12
+        pxor xmm5, xmm13
+        pxor xmm6, xmm14
+        pxor xmm7, xmm15
+        mov eax, r13d
+        jne 9b
+        movdqa xmm9, xmm0
+        punpckldq xmm0, xmm1
+        punpckhdq xmm9, xmm1
+        movdqa xmm11, xmm2
+        punpckldq xmm2, xmm3
+        punpckhdq xmm11, xmm3
+        movdqa xmm1, xmm0
+        punpcklqdq xmm0, xmm2
+        punpckhqdq xmm1, xmm2
+        movdqa xmm3, xmm9
+        punpcklqdq xmm9, xmm11
+        punpckhqdq xmm3, xmm11
+        movdqu xmmword ptr [rbx], xmm0
+        movdqu xmmword ptr [rbx+0x20], xmm1
+        movdqu xmmword ptr [rbx+0x40], xmm9
+        movdqu xmmword ptr [rbx+0x60], xmm3
+        movdqa xmm9, xmm4
+        punpckldq xmm4, xmm5
+        punpckhdq xmm9, xmm5
+        movdqa xmm11, xmm6
+        punpckldq xmm6, xmm7
+        punpckhdq xmm11, xmm7
+        movdqa xmm5, xmm4
+        punpcklqdq xmm4, xmm6
+        punpckhqdq xmm5, xmm6
+        movdqa xmm7, xmm9
+        punpcklqdq xmm9, xmm11
+        punpckhqdq xmm7, xmm11
+        movdqu xmmword ptr [rbx+0x10], xmm4
+        movdqu xmmword ptr [rbx+0x30], xmm5
+        movdqu xmmword ptr [rbx+0x50], xmm9
+        movdqu xmmword ptr [rbx+0x70], xmm7
+        movdqa xmm1, xmmword ptr [rsp+0x110]
+        movdqa xmm0, xmm1
+        paddd xmm1, xmmword ptr [rsp+0x150]
+        movdqa xmmword ptr [rsp+0x110], xmm1
+        pxor xmm0, xmmword ptr [208f+rip]
+        pxor xmm1, xmmword ptr [208f+rip]
+        pcmpgtd xmm0, xmm1
+        movdqa xmm1, xmmword ptr [rsp+0x120]
+        psubd xmm1, xmm0
+        movdqa xmmword ptr [rsp+0x120], xmm1
+        add rbx, 128
+        add rdi, 32
+        sub rsi, 4
+        cmp rsi, 4
+        jnc 2b
+        test rsi, rsi
+        jnz 3f
+4:
+        mov rsp, rbp
+        pop rbp
+        pop rbx
+        pop r12
+        pop r13
+        pop r14
+        pop r15
+        ret
+.p2align 5
+3:
+        test esi, 0x2
+        je 3f
+        movups xmm0, xmmword ptr [rcx]
+        movups xmm1, xmmword ptr [rcx+0x10]
+        movaps xmm8, xmm0
+        movaps xmm9, xmm1
+        movd xmm13, dword ptr [rsp+0x110]
+        movd xmm14, dword ptr [rsp+0x120]
+        punpckldq xmm13, xmm14
+        movaps xmmword ptr [rsp], xmm13
+        movd xmm14, dword ptr [rsp+0x114]
+        movd xmm13, dword ptr [rsp+0x124]
+        punpckldq xmm14, xmm13
+        movaps xmmword ptr [rsp+0x10], xmm14
+        mov r8, qword ptr [rdi]
+        mov r9, qword ptr [rdi+0x8]
+        movzx eax, byte ptr [rbp+0x40]
+        or eax, r13d
+        xor edx, edx
+2:
+        mov r14d, eax
+        or eax, r12d
+        add rdx, 64
+        cmp rdx, r15
+        cmovne eax, r14d
+        movaps xmm2, xmmword ptr [200f+rip]
+        movaps xmm10, xmm2
+        movups xmm4, xmmword ptr [r8+rdx-0x40]
+        movups xmm5, xmmword ptr [r8+rdx-0x30]
+        movaps xmm3, xmm4
+        shufps xmm4, xmm5, 136
+        shufps xmm3, xmm5, 221
+        movaps xmm5, xmm3
+        movups xmm6, xmmword ptr [r8+rdx-0x20]
+        movups xmm7, xmmword ptr [r8+rdx-0x10]
+        movaps xmm3, xmm6
+        shufps xmm6, xmm7, 136
+        pshufd xmm6, xmm6, 0x93
+        shufps xmm3, xmm7, 221
+        pshufd xmm7, xmm3, 0x93
+        movups xmm12, xmmword ptr [r9+rdx-0x40]
+        movups xmm13, xmmword ptr [r9+rdx-0x30]
+        movaps xmm11, xmm12
+        shufps xmm12, xmm13, 136
+        shufps xmm11, xmm13, 221
+        movaps xmm13, xmm11
+        movups xmm14, xmmword ptr [r9+rdx-0x20]
+        movups xmm15, xmmword ptr [r9+rdx-0x10]
+        movaps xmm11, xmm14
+        shufps xmm14, xmm15, 136
+        pshufd xmm14, xmm14, 0x93
+        shufps xmm11, xmm15, 221
+        pshufd xmm15, xmm11, 0x93
+        shl rax, 0x20
+        or rax, 0x40
+        movq xmm3, rax
+        movdqa xmmword ptr [rsp+0x20], xmm3
+        movaps xmm3, xmmword ptr [rsp]
+        movaps xmm11, xmmword ptr [rsp+0x10]
+        punpcklqdq xmm3, xmmword ptr [rsp+0x20]
+        punpcklqdq xmm11, xmmword ptr [rsp+0x20]
+        mov al, 7
+9:
+        paddd xmm0, xmm4
+        paddd xmm8, xmm12
+        movaps xmmword ptr [rsp+0x20], xmm4
+        movaps xmmword ptr [rsp+0x30], xmm12
+        paddd xmm0, xmm1
+        paddd xmm8, xmm9
+        pxor xmm3, xmm0
+        pxor xmm11, xmm8
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        pshuflw xmm11, xmm11, 0xB1
+        pshufhw xmm11, xmm11, 0xB1
+        paddd xmm2, xmm3
+        paddd xmm10, xmm11
+        pxor xmm1, xmm2
+        pxor xmm9, xmm10
+        movdqa xmm4, xmm1
+        pslld xmm1, 20
+        psrld xmm4, 12
+        por xmm1, xmm4
+        movdqa xmm4, xmm9
+        pslld xmm9, 20
+        psrld xmm4, 12
+        por xmm9, xmm4
+        paddd xmm0, xmm5
+        paddd xmm8, xmm13
+        movaps xmmword ptr [rsp+0x40], xmm5
+        movaps xmmword ptr [rsp+0x50], xmm13
+        paddd xmm0, xmm1
+        paddd xmm8, xmm9
+        pxor xmm3, xmm0
+        pxor xmm11, xmm8
+        movdqa xmm13, xmm3
+        psrld xmm3, 8
+        pslld xmm13, 24
+        pxor xmm3, xmm13
+        movdqa xmm13, xmm11
+        psrld xmm11, 8
+        pslld xmm13, 24
+        pxor xmm11, xmm13
+        paddd xmm2, xmm3
+        paddd xmm10, xmm11
+        pxor xmm1, xmm2
+        pxor xmm9, xmm10
+        movdqa xmm4, xmm1
+        pslld xmm1, 25
+        psrld xmm4, 7
+        por xmm1, xmm4
+        movdqa xmm4, xmm9
+        pslld xmm9, 25
+        psrld xmm4, 7
+        por xmm9, xmm4
+        pshufd xmm0, xmm0, 0x93
+        pshufd xmm8, xmm8, 0x93
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm11, xmm11, 0x4E
+        pshufd xmm2, xmm2, 0x39
+        pshufd xmm10, xmm10, 0x39
+        paddd xmm0, xmm6
+        paddd xmm8, xmm14
+        paddd xmm0, xmm1
+        paddd xmm8, xmm9
+        pxor xmm3, xmm0
+        pxor xmm11, xmm8
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        pshuflw xmm11, xmm11, 0xB1
+        pshufhw xmm11, xmm11, 0xB1
+        paddd xmm2, xmm3
+        paddd xmm10, xmm11
+        pxor xmm1, xmm2
+        pxor xmm9, xmm10
+        movdqa xmm4, xmm1
+        pslld xmm1, 20
+        psrld xmm4, 12
+        por xmm1, xmm4
+        movdqa xmm4, xmm9
+        pslld xmm9, 20
+        psrld xmm4, 12
+        por xmm9, xmm4
+        paddd xmm0, xmm7
+        paddd xmm8, xmm15
+        paddd xmm0, xmm1
+        paddd xmm8, xmm9
+        pxor xmm3, xmm0
+        pxor xmm11, xmm8
+        movdqa xmm13, xmm3
+        psrld xmm3, 8
+        pslld xmm13, 24
+        pxor xmm3, xmm13
+        movdqa xmm13, xmm11
+        psrld xmm11, 8
+        pslld xmm13, 24
+        pxor xmm11, xmm13
+        paddd xmm2, xmm3
+        paddd xmm10, xmm11
+        pxor xmm1, xmm2
+        pxor xmm9, xmm10
+        movdqa xmm4, xmm1
+        pslld xmm1, 25
+        psrld xmm4, 7
+        por xmm1, xmm4
+        movdqa xmm4, xmm9
+        pslld xmm9, 25
+        psrld xmm4, 7
+        por xmm9, xmm4
+        pshufd xmm0, xmm0, 0x39
+        pshufd xmm8, xmm8, 0x39
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm11, xmm11, 0x4E
+        pshufd xmm2, xmm2, 0x93
+        pshufd xmm10, xmm10, 0x93
+        dec al
+        je 9f
+        movdqa xmm12, xmmword ptr [rsp+0x20]
+        movdqa xmm5, xmmword ptr [rsp+0x40]
+        pshufd xmm13, xmm12, 0x0F
+        shufps xmm12, xmm5, 214
+        pshufd xmm4, xmm12, 0x39
+        movdqa xmm12, xmm6
+        shufps xmm12, xmm7, 250
+        pand xmm13, xmmword ptr [209f+rip]
+        pand xmm12, xmmword ptr [210f+rip]
+        por xmm13, xmm12
+        movdqa xmmword ptr [rsp+0x20], xmm13
+        movdqa xmm12, xmm7
+        punpcklqdq xmm12, xmm5
+        movdqa xmm13, xmm6
+        pand xmm12, xmmword ptr [211f+rip]
+        pand xmm13, xmmword ptr [212f+rip]
+        por xmm12, xmm13
+        pshufd xmm12, xmm12, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd xmm7, xmm6, 0x1E
+        movdqa xmmword ptr [rsp+0x40], xmm12
+        movdqa xmm5, xmmword ptr [rsp+0x30]
+        movdqa xmm13, xmmword ptr [rsp+0x50]
+        pshufd xmm6, xmm5, 0x0F
+        shufps xmm5, xmm13, 214
+        pshufd xmm12, xmm5, 0x39
+        movdqa xmm5, xmm14
+        shufps xmm5, xmm15, 250
+        pand xmm6, xmmword ptr [209f+rip]
+        pand xmm5, xmmword ptr [210f+rip]
+        por xmm6, xmm5
+        movdqa xmm5, xmm15
+        punpcklqdq xmm5, xmm13
+        movdqa xmmword ptr [rsp+0x30], xmm2
+        movdqa xmm2, xmm14
+        pand xmm5, xmmword ptr [211f+rip]
+        pand xmm2, xmmword ptr [212f+rip]
+        por xmm5, xmm2
+        movdqa xmm2, xmmword ptr [rsp+0x30]
+        pshufd xmm5, xmm5, 0x78
+        punpckhdq xmm13, xmm15
+        punpckldq xmm14, xmm13
+        pshufd xmm15, xmm14, 0x1E
+        movdqa xmm13, xmm6
+        movdqa xmm14, xmm5
+        movdqa xmm5, xmmword ptr [rsp+0x20]
+        movdqa xmm6, xmmword ptr [rsp+0x40]
+        jmp 9b
+9:
+        pxor xmm0, xmm2
+        pxor xmm1, xmm3
+        pxor xmm8, xmm10
+        pxor xmm9, xmm11
+        mov eax, r13d
+        cmp rdx, r15
+        jne 2b
+        movups xmmword ptr [rbx], xmm0
+        movups xmmword ptr [rbx+0x10], xmm1
+        movups xmmword ptr [rbx+0x20], xmm8
+        movups xmmword ptr [rbx+0x30], xmm9
+        mov eax, dword ptr [rsp+0x130]
+        neg eax
+        mov r10d, dword ptr [rsp+0x110+8*rax]
+        mov r11d, dword ptr [rsp+0x120+8*rax]
+        mov dword ptr [rsp+0x110], r10d
+        mov dword ptr [rsp+0x120], r11d
+        add rdi, 16
+        add rbx, 64
+        sub rsi, 2
+3:
+        test esi, 0x1
+        je 4b
+        movups xmm0, xmmword ptr [rcx]
+        movups xmm1, xmmword ptr [rcx+0x10]
+        movd xmm13, dword ptr [rsp+0x110]
+        movd xmm14, dword ptr [rsp+0x120]
+        punpckldq xmm13, xmm14
+        mov r8, qword ptr [rdi]
+        movzx eax, byte ptr [rbp+0x40]
+        or eax, r13d
+        xor edx, edx
+2:
+        mov r14d, eax
+        or eax, r12d
+        add rdx, 64
+        cmp rdx, r15
+        cmovne eax, r14d
+        movaps xmm2, xmmword ptr [200f+rip]
+        shl rax, 32
+        or rax, 64
+        movq xmm12, rax
+        movdqa xmm3, xmm13
+        punpcklqdq xmm3, xmm12
+        movups xmm4, xmmword ptr [r8+rdx-0x40]
+        movups xmm5, xmmword ptr [r8+rdx-0x30]
+        movaps xmm8, xmm4
+        shufps xmm4, xmm5, 136
+        shufps xmm8, xmm5, 221
+        movaps xmm5, xmm8
+        movups xmm6, xmmword ptr [r8+rdx-0x20]
+        movups xmm7, xmmword ptr [r8+rdx-0x10]
+        movaps xmm8, xmm6
+        shufps xmm6, xmm7, 136
+        pshufd xmm6, xmm6, 0x93
+        shufps xmm8, xmm7, 221
+        pshufd xmm7, xmm8, 0x93
+        mov al, 7
+9:
+        paddd xmm0, xmm4
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 20
+        psrld xmm11, 12
+        por xmm1, xmm11
+        paddd xmm0, xmm5
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        movdqa xmm14, xmm3
+        psrld xmm3, 8
+        pslld xmm14, 24
+        pxor xmm3, xmm14
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 25
+        psrld xmm11, 7
+        por xmm1, xmm11
+        pshufd xmm0, xmm0, 0x93
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm2, xmm2, 0x39
+        paddd xmm0, xmm6
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 20
+        psrld xmm11, 12
+        por xmm1, xmm11
+        paddd xmm0, xmm7
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        movdqa xmm14, xmm3
+        psrld xmm3, 8
+        pslld xmm14, 24
+        pxor xmm3, xmm14
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 25
+        psrld xmm11, 7
+        por xmm1, xmm11
+        pshufd xmm0, xmm0, 0x39
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm2, xmm2, 0x93
+        dec al
+        jz 9f
+        movdqa xmm8, xmm4
+        shufps xmm8, xmm5, 214
+        pshufd xmm9, xmm4, 0x0F
+        pshufd xmm4, xmm8, 0x39
+        movdqa xmm8, xmm6
+        shufps xmm8, xmm7, 250
+        pand xmm9, xmmword ptr [209f+rip]
+        pand xmm8, xmmword ptr [210f+rip]
+        por xmm9, xmm8
+        movdqa xmm8, xmm7
+        punpcklqdq xmm8, xmm5
+        movdqa xmm10, xmm6
+        pand xmm8, xmmword ptr [211f+rip]
+        pand xmm10, xmmword ptr [212f+rip]
+        por xmm8, xmm10
+        pshufd xmm8, xmm8, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd xmm7, xmm6, 0x1E
+        movdqa xmm5, xmm9
+        movdqa xmm6, xmm8
+        jmp 9b
+9:
+        pxor xmm0, xmm2
+        pxor xmm1, xmm3
+        mov eax, r13d
+        cmp rdx, r15
+        jne 2b
+        movups xmmword ptr [rbx], xmm0
+        movups xmmword ptr [rbx+0x10], xmm1
+        jmp 4b
+
+.p2align 6
+blake3_compress_in_place_sse2:
+_blake3_compress_in_place_sse2:
+       
+        movups xmm0, xmmword ptr [rdi]
+        movups xmm1, xmmword ptr [rdi+0x10]
+        movaps xmm2, xmmword ptr [200f+rip]
+        shl r8, 32
+        add rdx, r8
+        movq xmm3, rcx
+        movq xmm4, rdx
+        punpcklqdq xmm3, xmm4
+        movups xmm4, xmmword ptr [rsi]
+        movups xmm5, xmmword ptr [rsi+0x10]
+        movaps xmm8, xmm4
+        shufps xmm4, xmm5, 136
+        shufps xmm8, xmm5, 221
+        movaps xmm5, xmm8
+        movups xmm6, xmmword ptr [rsi+0x20]
+        movups xmm7, xmmword ptr [rsi+0x30]
+        movaps xmm8, xmm6
+        shufps xmm6, xmm7, 136
+        pshufd xmm6, xmm6, 0x93
+        shufps xmm8, xmm7, 221
+        pshufd xmm7, xmm8, 0x93
+        mov al, 7
+9:
+        paddd xmm0, xmm4
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 20
+        psrld xmm11, 12
+        por xmm1, xmm11
+        paddd xmm0, xmm5
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        movdqa xmm14, xmm3
+        psrld xmm3, 8
+        pslld xmm14, 24
+        pxor xmm3, xmm14
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 25
+        psrld xmm11, 7
+        por xmm1, xmm11
+        pshufd xmm0, xmm0, 0x93
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm2, xmm2, 0x39
+        paddd xmm0, xmm6
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 20
+        psrld xmm11, 12
+        por xmm1, xmm11
+        paddd xmm0, xmm7
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        movdqa xmm14, xmm3
+        psrld xmm3, 8
+        pslld xmm14, 24
+        pxor xmm3, xmm14
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 25
+        psrld xmm11, 7
+        por xmm1, xmm11
+        pshufd xmm0, xmm0, 0x39
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm2, xmm2, 0x93
+        dec al
+        jz 9f
+        movdqa xmm8, xmm4
+        shufps xmm8, xmm5, 214
+        pshufd xmm9, xmm4, 0x0F
+        pshufd xmm4, xmm8, 0x39
+        movdqa xmm8, xmm6
+        shufps xmm8, xmm7, 250
+        pand xmm9, xmmword ptr [209f+rip]
+        pand xmm8, xmmword ptr [210f+rip]
+        por xmm9, xmm8
+        movdqa xmm8, xmm7
+        punpcklqdq xmm8, xmm5
+        movdqa xmm10, xmm6
+        pand xmm8, xmmword ptr [211f+rip]
+        pand xmm10, xmmword ptr [212f+rip]
+        por xmm8, xmm10
+        pshufd xmm8, xmm8, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd xmm7, xmm6, 0x1E
+        movdqa xmm5, xmm9
+        movdqa xmm6, xmm8
+        jmp 9b
+9:
+        pxor xmm0, xmm2
+        pxor xmm1, xmm3
+        movups xmmword ptr [rdi], xmm0
+        movups xmmword ptr [rdi+0x10], xmm1
+        ret
+
+.p2align 6
+blake3_compress_xof_sse2:
+_blake3_compress_xof_sse2:
+       
+        movups xmm0, xmmword ptr [rdi]
+        movups xmm1, xmmword ptr [rdi+0x10]
+        movaps xmm2, xmmword ptr [200f+rip]
+        movzx eax, r8b
+        movzx edx, dl
+        shl rax, 32
+        add rdx, rax
+        movq xmm3, rcx
+        movq xmm4, rdx
+        punpcklqdq xmm3, xmm4
+        movups xmm4, xmmword ptr [rsi]
+        movups xmm5, xmmword ptr [rsi+0x10]
+        movaps xmm8, xmm4
+        shufps xmm4, xmm5, 136
+        shufps xmm8, xmm5, 221
+        movaps xmm5, xmm8
+        movups xmm6, xmmword ptr [rsi+0x20]
+        movups xmm7, xmmword ptr [rsi+0x30]
+        movaps xmm8, xmm6
+        shufps xmm6, xmm7, 136
+        pshufd xmm6, xmm6, 0x93
+        shufps xmm8, xmm7, 221
+        pshufd xmm7, xmm8, 0x93
+        mov al, 7
+9:
+        paddd xmm0, xmm4
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 20
+        psrld xmm11, 12
+        por xmm1, xmm11
+        paddd xmm0, xmm5
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        movdqa xmm14, xmm3
+        psrld xmm3, 8
+        pslld xmm14, 24
+        pxor xmm3, xmm14
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 25
+        psrld xmm11, 7
+        por xmm1, xmm11
+        pshufd xmm0, xmm0, 0x93
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm2, xmm2, 0x39
+        paddd xmm0, xmm6
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 20
+        psrld xmm11, 12
+        por xmm1, xmm11
+        paddd xmm0, xmm7
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        movdqa xmm14, xmm3
+        psrld xmm3, 8
+        pslld xmm14, 24
+        pxor xmm3, xmm14
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 25
+        psrld xmm11, 7
+        por xmm1, xmm11
+        pshufd xmm0, xmm0, 0x39
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm2, xmm2, 0x93
+        dec al
+        jz 9f
+        movdqa xmm8, xmm4
+        shufps xmm8, xmm5, 214
+        pshufd xmm9, xmm4, 0x0F
+        pshufd xmm4, xmm8, 0x39
+        movdqa xmm8, xmm6
+        shufps xmm8, xmm7, 250
+        pand xmm9, xmmword ptr [209f+rip]
+        pand xmm8, xmmword ptr [210f+rip]
+        por xmm9, xmm8
+        movdqa xmm8, xmm7
+        punpcklqdq xmm8, xmm5
+        movdqa xmm10, xmm6
+        pand xmm8, xmmword ptr [211f+rip]
+        pand xmm10, xmmword ptr [212f+rip]
+        por xmm8, xmm10
+        pshufd xmm8, xmm8, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd xmm7, xmm6, 0x1E
+        movdqa xmm5, xmm9
+        movdqa xmm6, xmm8
+        jmp 9b
+9:
+        movdqu xmm4, xmmword ptr [rdi]
+        movdqu xmm5, xmmword ptr [rdi+0x10]
+        pxor xmm0, xmm2
+        pxor xmm1, xmm3
+        pxor xmm2, xmm4
+        pxor xmm3, xmm5
+        movups xmmword ptr [r9], xmm0
+        movups xmmword ptr [r9+0x10], xmm1
+        movups xmmword ptr [r9+0x20], xmm2
+        movups xmmword ptr [r9+0x30], xmm3
+        ret
+
+
+
+
+
+.section .rodata
+
+.p2align 6
+200:
+        .long 0x6A09E667, 0xBB67AE85
+        .long 0x3C6EF372, 0xA54FF53A
+201:
+        .long 0, 1, 2, 3
+202:
+ .long 4, 4, 4, 4
+203:
+ .long 0x6A09E667, 0x6A09E667, 0x6A09E667, 0x6A09E667
+204:
+ .long 0xBB67AE85, 0xBB67AE85, 0xBB67AE85, 0xBB67AE85
+205:
+ .long 0x3C6EF372, 0x3C6EF372, 0x3C6EF372, 0x3C6EF372
+206:
+ .long 0xA54FF53A, 0xA54FF53A, 0xA54FF53A, 0xA54FF53A
+207:
+ .long 64, 64, 64, 64
+208:
+ .long 0x80000000, 0x80000000, 0x80000000, 0x80000000
+209:
+ .long 0xFFFFFFFF, 0x00000000, 0xFFFFFFFF, 0x00000000
+210:
+ .long 0x00000000, 0xFFFFFFFF, 0x00000000, 0xFFFFFFFF
+211:
+ .long 0xFFFFFFFF, 0xFFFFFFFF, 0xFFFFFFFF, 0x00000000
+212:
+ .long 0x00000000, 0x00000000, 0x00000000, 0xFFFFFFFF
diff --git a/ext/blake3-smol/src/asm/blake3_sse2_x86-64_windows_gnu.S b/ext/blake3-smol/src/asm/blake3_sse2_x86-64_windows_gnu.S
new file mode 100644 (file)
index 0000000..1d526cf
--- /dev/null
@@ -0,0 +1,2331 @@
+.global blake3_hash_many_sse2
+.global _blake3_hash_many_sse2
+.global blake3_compress_in_place_sse2
+.global _blake3_compress_in_place_sse2
+.global blake3_compress_xof_sse2
+.global _blake3_compress_xof_sse2
+.section .text
+        .p2align  6
+_blake3_hash_many_sse2:
+blake3_hash_many_sse2:
+        push    r15
+        push    r14
+        push    r13
+        push    r12
+        push    rsi
+        push    rdi
+        push    rbx
+        push    rbp
+        mov     rbp, rsp
+        sub     rsp, 528
+        and     rsp, 0xFFFFFFFFFFFFFFC0
+        movdqa  xmmword ptr [rsp+0x170], xmm6
+        movdqa  xmmword ptr [rsp+0x180], xmm7
+        movdqa  xmmword ptr [rsp+0x190], xmm8
+        movdqa  xmmword ptr [rsp+0x1A0], xmm9
+        movdqa  xmmword ptr [rsp+0x1B0], xmm10
+        movdqa  xmmword ptr [rsp+0x1C0], xmm11
+        movdqa  xmmword ptr [rsp+0x1D0], xmm12
+        movdqa  xmmword ptr [rsp+0x1E0], xmm13
+        movdqa  xmmword ptr [rsp+0x1F0], xmm14
+        movdqa  xmmword ptr [rsp+0x200], xmm15
+        mov     rdi, rcx
+        mov     rsi, rdx
+        mov     rdx, r8
+        mov     rcx, r9
+        mov     r8, qword ptr [rbp+0x68]
+        movzx   r9, byte ptr [rbp+0x70]
+        neg     r9d
+        movd    xmm0, r9d
+        pshufd  xmm0, xmm0, 0x00
+        movdqa  xmmword ptr [rsp+0x130], xmm0
+        movdqa  xmm1, xmm0
+        pand    xmm1, xmmword ptr [ADD0+rip]
+        pand    xmm0, xmmword ptr [ADD1+rip]
+        movdqa  xmmword ptr [rsp+0x150], xmm0
+        movd    xmm0, r8d
+        pshufd  xmm0, xmm0, 0x00
+        paddd   xmm0, xmm1
+        movdqa  xmmword ptr [rsp+0x110], xmm0
+        pxor    xmm0, xmmword ptr [CMP_MSB_MASK+rip]
+        pxor    xmm1, xmmword ptr [CMP_MSB_MASK+rip]
+        pcmpgtd xmm1, xmm0
+        shr     r8, 32
+        movd    xmm2, r8d
+        pshufd  xmm2, xmm2, 0x00
+        psubd   xmm2, xmm1
+        movdqa  xmmword ptr [rsp+0x120], xmm2
+        mov     rbx, qword ptr [rbp+0x90]
+        mov     r15, rdx
+        shl     r15, 6
+        movzx   r13d, byte ptr [rbp+0x78]
+        movzx   r12d, byte ptr [rbp+0x88]
+        cmp     rsi, 4
+        jc      3f
+2:
+        movdqu  xmm3, xmmword ptr [rcx]
+        pshufd  xmm0, xmm3, 0x00
+        pshufd  xmm1, xmm3, 0x55
+        pshufd  xmm2, xmm3, 0xAA
+        pshufd  xmm3, xmm3, 0xFF
+        movdqu  xmm7, xmmword ptr [rcx+0x10]
+        pshufd  xmm4, xmm7, 0x00
+        pshufd  xmm5, xmm7, 0x55
+        pshufd  xmm6, xmm7, 0xAA
+        pshufd  xmm7, xmm7, 0xFF
+        mov     r8, qword ptr [rdi]
+        mov     r9, qword ptr [rdi+0x8]
+        mov     r10, qword ptr [rdi+0x10]
+        mov     r11, qword ptr [rdi+0x18]
+        movzx   eax, byte ptr [rbp+0x80]
+        or      eax, r13d
+        xor     edx, edx
+9:
+        mov     r14d, eax
+        or      eax, r12d
+        add     rdx, 64
+        cmp     rdx, r15
+        cmovne  eax, r14d
+        movdqu  xmm8, xmmword ptr [r8+rdx-0x40]
+        movdqu  xmm9, xmmword ptr [r9+rdx-0x40]
+        movdqu  xmm10, xmmword ptr [r10+rdx-0x40]
+        movdqu  xmm11, xmmword ptr [r11+rdx-0x40]
+        movdqa  xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa  xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa  xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa  xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa  xmmword ptr [rsp], xmm8
+        movdqa  xmmword ptr [rsp+0x10], xmm9
+        movdqa  xmmword ptr [rsp+0x20], xmm12
+        movdqa  xmmword ptr [rsp+0x30], xmm13
+        movdqu  xmm8, xmmword ptr [r8+rdx-0x30]
+        movdqu  xmm9, xmmword ptr [r9+rdx-0x30]
+        movdqu  xmm10, xmmword ptr [r10+rdx-0x30]
+        movdqu  xmm11, xmmword ptr [r11+rdx-0x30]
+        movdqa  xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa  xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa  xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa  xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa  xmmword ptr [rsp+0x40], xmm8
+        movdqa  xmmword ptr [rsp+0x50], xmm9
+        movdqa  xmmword ptr [rsp+0x60], xmm12
+        movdqa  xmmword ptr [rsp+0x70], xmm13
+        movdqu  xmm8, xmmword ptr [r8+rdx-0x20]
+        movdqu  xmm9, xmmword ptr [r9+rdx-0x20]
+        movdqu  xmm10, xmmword ptr [r10+rdx-0x20]
+        movdqu  xmm11, xmmword ptr [r11+rdx-0x20]
+        movdqa  xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa  xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa  xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa  xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa  xmmword ptr [rsp+0x80], xmm8
+        movdqa  xmmword ptr [rsp+0x90], xmm9
+        movdqa  xmmword ptr [rsp+0xA0], xmm12
+        movdqa  xmmword ptr [rsp+0xB0], xmm13
+        movdqu  xmm8, xmmword ptr [r8+rdx-0x10]
+        movdqu  xmm9, xmmword ptr [r9+rdx-0x10]
+        movdqu  xmm10, xmmword ptr [r10+rdx-0x10]
+        movdqu  xmm11, xmmword ptr [r11+rdx-0x10]
+        movdqa  xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa  xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa  xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa  xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa  xmmword ptr [rsp+0xC0], xmm8
+        movdqa  xmmword ptr [rsp+0xD0], xmm9
+        movdqa  xmmword ptr [rsp+0xE0], xmm12
+        movdqa  xmmword ptr [rsp+0xF0], xmm13
+        movdqa  xmm9, xmmword ptr [BLAKE3_IV_1+rip]
+        movdqa  xmm10, xmmword ptr [BLAKE3_IV_2+rip]
+        movdqa  xmm11, xmmword ptr [BLAKE3_IV_3+rip]
+        movdqa  xmm12, xmmword ptr [rsp+0x110]
+        movdqa  xmm13, xmmword ptr [rsp+0x120]
+        movdqa  xmm14, xmmword ptr [BLAKE3_BLOCK_LEN+rip]
+        movd    xmm15, eax
+        pshufd  xmm15, xmm15, 0x00
+        prefetcht0 [r8+rdx+0x80]
+        prefetcht0 [r9+rdx+0x80]
+        prefetcht0 [r10+rdx+0x80]
+        prefetcht0 [r11+rdx+0x80]
+        paddd   xmm0, xmmword ptr [rsp]
+        paddd   xmm1, xmmword ptr [rsp+0x20]
+        paddd   xmm2, xmmword ptr [rsp+0x40]
+        paddd   xmm3, xmmword ptr [rsp+0x60]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        movdqa  xmm8, xmmword ptr [BLAKE3_IV_0+rip]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x10]
+        paddd   xmm1, xmmword ptr [rsp+0x30]
+        paddd   xmm2, xmmword ptr [rsp+0x50]
+        paddd   xmm3, xmmword ptr [rsp+0x70]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmm12
+        psrld   xmm12, 8
+        pslld   xmm8, 24
+        pxor    xmm12, xmm8
+        movdqa  xmm8, xmm13
+        psrld   xmm13, 8
+        pslld   xmm8, 24
+        pxor    xmm13, xmm8
+        movdqa  xmm8, xmm14
+        psrld   xmm14, 8
+        pslld   xmm8, 24
+        pxor    xmm14, xmm8
+        movdqa  xmm8, xmm15
+        psrld   xmm15, 8
+        pslld   xmm8, 24
+        pxor    xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x80]
+        paddd   xmm1, xmmword ptr [rsp+0xA0]
+        paddd   xmm2, xmmword ptr [rsp+0xC0]
+        paddd   xmm3, xmmword ptr [rsp+0xE0]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x90]
+        paddd   xmm1, xmmword ptr [rsp+0xB0]
+        paddd   xmm2, xmmword ptr [rsp+0xD0]
+        paddd   xmm3, xmmword ptr [rsp+0xF0]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmm15
+        psrld   xmm15, 8
+        pslld   xmm8, 24
+        pxor    xmm15, xmm8
+        movdqa  xmm8, xmm12
+        psrld   xmm12, 8
+        pslld   xmm8, 24
+        pxor    xmm12, xmm8
+        movdqa  xmm8, xmm13
+        psrld   xmm13, 8
+        pslld   xmm8, 24
+        pxor    xmm13, xmm8
+        movdqa  xmm8, xmm14
+        psrld   xmm14, 8
+        pslld   xmm8, 24
+        pxor    xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x20]
+        paddd   xmm1, xmmword ptr [rsp+0x30]
+        paddd   xmm2, xmmword ptr [rsp+0x70]
+        paddd   xmm3, xmmword ptr [rsp+0x40]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x60]
+        paddd   xmm1, xmmword ptr [rsp+0xA0]
+        paddd   xmm2, xmmword ptr [rsp]
+        paddd   xmm3, xmmword ptr [rsp+0xD0]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmm12
+        psrld   xmm12, 8
+        pslld   xmm8, 24
+        pxor    xmm12, xmm8
+        movdqa  xmm8, xmm13
+        psrld   xmm13, 8
+        pslld   xmm8, 24
+        pxor    xmm13, xmm8
+        movdqa  xmm8, xmm14
+        psrld   xmm14, 8
+        pslld   xmm8, 24
+        pxor    xmm14, xmm8
+        movdqa  xmm8, xmm15
+        psrld   xmm15, 8
+        pslld   xmm8, 24
+        pxor    xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x10]
+        paddd   xmm1, xmmword ptr [rsp+0xC0]
+        paddd   xmm2, xmmword ptr [rsp+0x90]
+        paddd   xmm3, xmmword ptr [rsp+0xF0]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xB0]
+        paddd   xmm1, xmmword ptr [rsp+0x50]
+        paddd   xmm2, xmmword ptr [rsp+0xE0]
+        paddd   xmm3, xmmword ptr [rsp+0x80]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmm15
+        psrld   xmm15, 8
+        pslld   xmm8, 24
+        pxor    xmm15, xmm8
+        movdqa  xmm8, xmm12
+        psrld   xmm12, 8
+        pslld   xmm8, 24
+        pxor    xmm12, xmm8
+        movdqa  xmm8, xmm13
+        psrld   xmm13, 8
+        pslld   xmm8, 24
+        pxor    xmm13, xmm8
+        movdqa  xmm8, xmm14
+        psrld   xmm14, 8
+        pslld   xmm8, 24
+        pxor    xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x30]
+        paddd   xmm1, xmmword ptr [rsp+0xA0]
+        paddd   xmm2, xmmword ptr [rsp+0xD0]
+        paddd   xmm3, xmmword ptr [rsp+0x70]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x40]
+        paddd   xmm1, xmmword ptr [rsp+0xC0]
+        paddd   xmm2, xmmword ptr [rsp+0x20]
+        paddd   xmm3, xmmword ptr [rsp+0xE0]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmm12
+        psrld   xmm12, 8
+        pslld   xmm8, 24
+        pxor    xmm12, xmm8
+        movdqa  xmm8, xmm13
+        psrld   xmm13, 8
+        pslld   xmm8, 24
+        pxor    xmm13, xmm8
+        movdqa  xmm8, xmm14
+        psrld   xmm14, 8
+        pslld   xmm8, 24
+        pxor    xmm14, xmm8
+        movdqa  xmm8, xmm15
+        psrld   xmm15, 8
+        pslld   xmm8, 24
+        pxor    xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x60]
+        paddd   xmm1, xmmword ptr [rsp+0x90]
+        paddd   xmm2, xmmword ptr [rsp+0xB0]
+        paddd   xmm3, xmmword ptr [rsp+0x80]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x50]
+        paddd   xmm1, xmmword ptr [rsp]
+        paddd   xmm2, xmmword ptr [rsp+0xF0]
+        paddd   xmm3, xmmword ptr [rsp+0x10]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmm15
+        psrld   xmm15, 8
+        pslld   xmm8, 24
+        pxor    xmm15, xmm8
+        movdqa  xmm8, xmm12
+        psrld   xmm12, 8
+        pslld   xmm8, 24
+        pxor    xmm12, xmm8
+        movdqa  xmm8, xmm13
+        psrld   xmm13, 8
+        pslld   xmm8, 24
+        pxor    xmm13, xmm8
+        movdqa  xmm8, xmm14
+        psrld   xmm14, 8
+        pslld   xmm8, 24
+        pxor    xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xA0]
+        paddd   xmm1, xmmword ptr [rsp+0xC0]
+        paddd   xmm2, xmmword ptr [rsp+0xE0]
+        paddd   xmm3, xmmword ptr [rsp+0xD0]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x70]
+        paddd   xmm1, xmmword ptr [rsp+0x90]
+        paddd   xmm2, xmmword ptr [rsp+0x30]
+        paddd   xmm3, xmmword ptr [rsp+0xF0]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmm12
+        psrld   xmm12, 8
+        pslld   xmm8, 24
+        pxor    xmm12, xmm8
+        movdqa  xmm8, xmm13
+        psrld   xmm13, 8
+        pslld   xmm8, 24
+        pxor    xmm13, xmm8
+        movdqa  xmm8, xmm14
+        psrld   xmm14, 8
+        pslld   xmm8, 24
+        pxor    xmm14, xmm8
+        movdqa  xmm8, xmm15
+        psrld   xmm15, 8
+        pslld   xmm8, 24
+        pxor    xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x40]
+        paddd   xmm1, xmmword ptr [rsp+0xB0]
+        paddd   xmm2, xmmword ptr [rsp+0x50]
+        paddd   xmm3, xmmword ptr [rsp+0x10]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp]
+        paddd   xmm1, xmmword ptr [rsp+0x20]
+        paddd   xmm2, xmmword ptr [rsp+0x80]
+        paddd   xmm3, xmmword ptr [rsp+0x60]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmm15
+        psrld   xmm15, 8
+        pslld   xmm8, 24
+        pxor    xmm15, xmm8
+        movdqa  xmm8, xmm12
+        psrld   xmm12, 8
+        pslld   xmm8, 24
+        pxor    xmm12, xmm8
+        movdqa  xmm8, xmm13
+        psrld   xmm13, 8
+        pslld   xmm8, 24
+        pxor    xmm13, xmm8
+        movdqa  xmm8, xmm14
+        psrld   xmm14, 8
+        pslld   xmm8, 24
+        pxor    xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xC0]
+        paddd   xmm1, xmmword ptr [rsp+0x90]
+        paddd   xmm2, xmmword ptr [rsp+0xF0]
+        paddd   xmm3, xmmword ptr [rsp+0xE0]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xD0]
+        paddd   xmm1, xmmword ptr [rsp+0xB0]
+        paddd   xmm2, xmmword ptr [rsp+0xA0]
+        paddd   xmm3, xmmword ptr [rsp+0x80]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmm12
+        psrld   xmm12, 8
+        pslld   xmm8, 24
+        pxor    xmm12, xmm8
+        movdqa  xmm8, xmm13
+        psrld   xmm13, 8
+        pslld   xmm8, 24
+        pxor    xmm13, xmm8
+        movdqa  xmm8, xmm14
+        psrld   xmm14, 8
+        pslld   xmm8, 24
+        pxor    xmm14, xmm8
+        movdqa  xmm8, xmm15
+        psrld   xmm15, 8
+        pslld   xmm8, 24
+        pxor    xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x70]
+        paddd   xmm1, xmmword ptr [rsp+0x50]
+        paddd   xmm2, xmmword ptr [rsp]
+        paddd   xmm3, xmmword ptr [rsp+0x60]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x20]
+        paddd   xmm1, xmmword ptr [rsp+0x30]
+        paddd   xmm2, xmmword ptr [rsp+0x10]
+        paddd   xmm3, xmmword ptr [rsp+0x40]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmm15
+        psrld   xmm15, 8
+        pslld   xmm8, 24
+        pxor    xmm15, xmm8
+        movdqa  xmm8, xmm12
+        psrld   xmm12, 8
+        pslld   xmm8, 24
+        pxor    xmm12, xmm8
+        movdqa  xmm8, xmm13
+        psrld   xmm13, 8
+        pslld   xmm8, 24
+        pxor    xmm13, xmm8
+        movdqa  xmm8, xmm14
+        psrld   xmm14, 8
+        pslld   xmm8, 24
+        pxor    xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x90]
+        paddd   xmm1, xmmword ptr [rsp+0xB0]
+        paddd   xmm2, xmmword ptr [rsp+0x80]
+        paddd   xmm3, xmmword ptr [rsp+0xF0]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xE0]
+        paddd   xmm1, xmmword ptr [rsp+0x50]
+        paddd   xmm2, xmmword ptr [rsp+0xC0]
+        paddd   xmm3, xmmword ptr [rsp+0x10]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmm12
+        psrld   xmm12, 8
+        pslld   xmm8, 24
+        pxor    xmm12, xmm8
+        movdqa  xmm8, xmm13
+        psrld   xmm13, 8
+        pslld   xmm8, 24
+        pxor    xmm13, xmm8
+        movdqa  xmm8, xmm14
+        psrld   xmm14, 8
+        pslld   xmm8, 24
+        pxor    xmm14, xmm8
+        movdqa  xmm8, xmm15
+        psrld   xmm15, 8
+        pslld   xmm8, 24
+        pxor    xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xD0]
+        paddd   xmm1, xmmword ptr [rsp]
+        paddd   xmm2, xmmword ptr [rsp+0x20]
+        paddd   xmm3, xmmword ptr [rsp+0x40]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x30]
+        paddd   xmm1, xmmword ptr [rsp+0xA0]
+        paddd   xmm2, xmmword ptr [rsp+0x60]
+        paddd   xmm3, xmmword ptr [rsp+0x70]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmm15
+        psrld   xmm15, 8
+        pslld   xmm8, 24
+        pxor    xmm15, xmm8
+        movdqa  xmm8, xmm12
+        psrld   xmm12, 8
+        pslld   xmm8, 24
+        pxor    xmm12, xmm8
+        movdqa  xmm8, xmm13
+        psrld   xmm13, 8
+        pslld   xmm8, 24
+        pxor    xmm13, xmm8
+        movdqa  xmm8, xmm14
+        psrld   xmm14, 8
+        pslld   xmm8, 24
+        pxor    xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xB0]
+        paddd   xmm1, xmmword ptr [rsp+0x50]
+        paddd   xmm2, xmmword ptr [rsp+0x10]
+        paddd   xmm3, xmmword ptr [rsp+0x80]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xF0]
+        paddd   xmm1, xmmword ptr [rsp]
+        paddd   xmm2, xmmword ptr [rsp+0x90]
+        paddd   xmm3, xmmword ptr [rsp+0x60]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmm12
+        psrld   xmm12, 8
+        pslld   xmm8, 24
+        pxor    xmm12, xmm8
+        movdqa  xmm8, xmm13
+        psrld   xmm13, 8
+        pslld   xmm8, 24
+        pxor    xmm13, xmm8
+        movdqa  xmm8, xmm14
+        psrld   xmm14, 8
+        pslld   xmm8, 24
+        pxor    xmm14, xmm8
+        movdqa  xmm8, xmm15
+        psrld   xmm15, 8
+        pslld   xmm8, 24
+        pxor    xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xE0]
+        paddd   xmm1, xmmword ptr [rsp+0x20]
+        paddd   xmm2, xmmword ptr [rsp+0x30]
+        paddd   xmm3, xmmword ptr [rsp+0x70]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        pshuflw xmm15, xmm15, 0xB1
+        pshufhw xmm15, xmm15, 0xB1
+        pshuflw xmm12, xmm12, 0xB1
+        pshufhw xmm12, xmm12, 0xB1
+        pshuflw xmm13, xmm13, 0xB1
+        pshufhw xmm13, xmm13, 0xB1
+        pshuflw xmm14, xmm14, 0xB1
+        pshufhw xmm14, xmm14, 0xB1
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xA0]
+        paddd   xmm1, xmmword ptr [rsp+0xC0]
+        paddd   xmm2, xmmword ptr [rsp+0x40]
+        paddd   xmm3, xmmword ptr [rsp+0xD0]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmm15
+        psrld   xmm15, 8
+        pslld   xmm8, 24
+        pxor    xmm15, xmm8
+        movdqa  xmm8, xmm12
+        psrld   xmm12, 8
+        pslld   xmm8, 24
+        pxor    xmm12, xmm8
+        movdqa  xmm8, xmm13
+        psrld   xmm13, 8
+        pslld   xmm8, 24
+        pxor    xmm13, xmm8
+        movdqa  xmm8, xmm14
+        psrld   xmm14, 8
+        pslld   xmm8, 24
+        pxor    xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        pxor    xmm0, xmm8
+        pxor    xmm1, xmm9
+        pxor    xmm2, xmm10
+        pxor    xmm3, xmm11
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        pxor    xmm4, xmm12
+        pxor    xmm5, xmm13
+        pxor    xmm6, xmm14
+        pxor    xmm7, xmm15
+        mov     eax, r13d
+        jne     9b
+        movdqa  xmm9, xmm0
+        punpckldq xmm0, xmm1
+        punpckhdq xmm9, xmm1
+        movdqa  xmm11, xmm2
+        punpckldq xmm2, xmm3
+        punpckhdq xmm11, xmm3
+        movdqa  xmm1, xmm0
+        punpcklqdq xmm0, xmm2
+        punpckhqdq xmm1, xmm2
+        movdqa  xmm3, xmm9
+        punpcklqdq xmm9, xmm11
+        punpckhqdq xmm3, xmm11
+        movdqu  xmmword ptr [rbx], xmm0
+        movdqu  xmmword ptr [rbx+0x20], xmm1
+        movdqu  xmmword ptr [rbx+0x40], xmm9
+        movdqu  xmmword ptr [rbx+0x60], xmm3
+        movdqa  xmm9, xmm4
+        punpckldq xmm4, xmm5
+        punpckhdq xmm9, xmm5
+        movdqa  xmm11, xmm6
+        punpckldq xmm6, xmm7
+        punpckhdq xmm11, xmm7
+        movdqa  xmm5, xmm4
+        punpcklqdq xmm4, xmm6
+        punpckhqdq xmm5, xmm6
+        movdqa  xmm7, xmm9
+        punpcklqdq xmm9, xmm11
+        punpckhqdq xmm7, xmm11
+        movdqu  xmmword ptr [rbx+0x10], xmm4
+        movdqu  xmmword ptr [rbx+0x30], xmm5
+        movdqu  xmmword ptr [rbx+0x50], xmm9
+        movdqu  xmmword ptr [rbx+0x70], xmm7
+        movdqa  xmm1, xmmword ptr [rsp+0x110]
+        movdqa  xmm0, xmm1
+        paddd   xmm1, xmmword ptr [rsp+0x150]
+        movdqa  xmmword ptr [rsp+0x110], xmm1
+        pxor    xmm0, xmmword ptr [CMP_MSB_MASK+rip]
+        pxor    xmm1, xmmword ptr [CMP_MSB_MASK+rip]
+        pcmpgtd xmm0, xmm1
+        movdqa  xmm1, xmmword ptr [rsp+0x120]
+        psubd   xmm1, xmm0
+        movdqa  xmmword ptr [rsp+0x120], xmm1
+        add     rbx, 128
+        add     rdi, 32
+        sub     rsi, 4
+        cmp     rsi, 4
+        jnc     2b
+        test    rsi, rsi
+        jne     3f
+4:
+        movdqa  xmm6, xmmword ptr [rsp+0x170]
+        movdqa  xmm7, xmmword ptr [rsp+0x180]
+        movdqa  xmm8, xmmword ptr [rsp+0x190]
+        movdqa  xmm9, xmmword ptr [rsp+0x1A0]
+        movdqa  xmm10, xmmword ptr [rsp+0x1B0]
+        movdqa  xmm11, xmmword ptr [rsp+0x1C0]
+        movdqa  xmm12, xmmword ptr [rsp+0x1D0]
+        movdqa  xmm13, xmmword ptr [rsp+0x1E0]
+        movdqa  xmm14, xmmword ptr [rsp+0x1F0]
+        movdqa  xmm15, xmmword ptr [rsp+0x200]
+        mov     rsp, rbp
+        pop     rbp
+        pop     rbx
+        pop     rdi
+        pop     rsi
+        pop     r12
+        pop     r13
+        pop     r14
+        pop     r15
+        ret
+.p2align 5
+3:
+        test    esi, 0x2
+        je      3f
+        movups  xmm0, xmmword ptr [rcx]
+        movups  xmm1, xmmword ptr [rcx+0x10]
+        movaps  xmm8, xmm0
+        movaps  xmm9, xmm1
+        movd    xmm13, dword ptr [rsp+0x110]
+        movd    xmm14, dword ptr [rsp+0x120]
+        punpckldq xmm13, xmm14
+        movaps  xmmword ptr [rsp], xmm13
+        movd    xmm14, dword ptr [rsp+0x114]
+        movd    xmm13, dword ptr [rsp+0x124]
+        punpckldq xmm14, xmm13
+        movaps  xmmword ptr [rsp+0x10], xmm14
+        mov     r8, qword ptr [rdi]
+        mov     r9, qword ptr [rdi+0x8]
+        movzx   eax, byte ptr [rbp+0x80]
+        or      eax, r13d
+        xor     edx, edx
+2:
+        mov     r14d, eax
+        or      eax, r12d
+        add     rdx, 64
+        cmp     rdx, r15
+        cmovne  eax, r14d
+        movaps  xmm2, xmmword ptr [BLAKE3_IV+rip]
+        movaps  xmm10, xmm2
+        movups  xmm4, xmmword ptr [r8+rdx-0x40]
+        movups  xmm5, xmmword ptr [r8+rdx-0x30]
+        movaps  xmm3, xmm4
+        shufps  xmm4, xmm5, 136
+        shufps  xmm3, xmm5, 221
+        movaps  xmm5, xmm3
+        movups  xmm6, xmmword ptr [r8+rdx-0x20]
+        movups  xmm7, xmmword ptr [r8+rdx-0x10]
+        movaps  xmm3, xmm6
+        shufps  xmm6, xmm7, 136
+        pshufd  xmm6, xmm6, 0x93
+        shufps  xmm3, xmm7, 221
+        pshufd  xmm7, xmm3, 0x93
+        movups  xmm12, xmmword ptr [r9+rdx-0x40]
+        movups  xmm13, xmmword ptr [r9+rdx-0x30]
+        movaps  xmm11, xmm12
+        shufps  xmm12, xmm13, 136
+        shufps  xmm11, xmm13, 221
+        movaps  xmm13, xmm11
+        movups  xmm14, xmmword ptr [r9+rdx-0x20]
+        movups  xmm15, xmmword ptr [r9+rdx-0x10]
+        movaps  xmm11, xmm14
+        shufps  xmm14, xmm15, 136
+        pshufd  xmm14, xmm14, 0x93
+        shufps  xmm11, xmm15, 221
+        pshufd  xmm15, xmm11, 0x93
+        shl     rax, 0x20
+        or      rax, 0x40
+        movq    xmm3, rax
+        movdqa  xmmword ptr [rsp+0x20], xmm3
+        movaps  xmm3, xmmword ptr [rsp]
+        movaps  xmm11, xmmword ptr [rsp+0x10]
+        punpcklqdq xmm3, xmmword ptr [rsp+0x20]
+        punpcklqdq xmm11, xmmword ptr [rsp+0x20]
+        mov     al, 7
+9:
+        paddd   xmm0, xmm4
+        paddd   xmm8, xmm12
+        movaps  xmmword ptr [rsp+0x20], xmm4
+        movaps  xmmword ptr [rsp+0x30], xmm12
+        paddd   xmm0, xmm1
+        paddd   xmm8, xmm9
+        pxor    xmm3, xmm0
+        pxor    xmm11, xmm8
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        pshuflw xmm11, xmm11, 0xB1
+        pshufhw xmm11, xmm11, 0xB1
+        paddd   xmm2, xmm3
+        paddd   xmm10, xmm11
+        pxor    xmm1, xmm2
+        pxor    xmm9, xmm10
+        movdqa  xmm4, xmm1
+        pslld   xmm1, 20
+        psrld   xmm4, 12
+        por     xmm1, xmm4
+        movdqa  xmm4, xmm9
+        pslld   xmm9, 20
+        psrld   xmm4, 12
+        por     xmm9, xmm4
+        paddd   xmm0, xmm5
+        paddd   xmm8, xmm13
+        movaps  xmmword ptr [rsp+0x40], xmm5
+        movaps  xmmword ptr [rsp+0x50], xmm13
+        paddd   xmm0, xmm1
+        paddd   xmm8, xmm9
+        pxor    xmm3, xmm0
+        pxor    xmm11, xmm8
+        movdqa  xmm13, xmm3
+        psrld   xmm3, 8
+        pslld   xmm13, 24
+        pxor    xmm3, xmm13
+        movdqa  xmm13, xmm11
+        psrld   xmm11, 8
+        pslld   xmm13, 24
+        pxor    xmm11, xmm13
+        paddd   xmm2, xmm3
+        paddd   xmm10, xmm11
+        pxor    xmm1, xmm2
+        pxor    xmm9, xmm10
+        movdqa  xmm4, xmm1
+        pslld   xmm1, 25
+        psrld   xmm4, 7
+        por     xmm1, xmm4
+        movdqa  xmm4, xmm9
+        pslld   xmm9, 25
+        psrld   xmm4, 7
+        por     xmm9, xmm4
+        pshufd  xmm0, xmm0, 0x93
+        pshufd  xmm8, xmm8, 0x93
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm11, xmm11, 0x4E
+        pshufd  xmm2, xmm2, 0x39
+        pshufd  xmm10, xmm10, 0x39
+        paddd   xmm0, xmm6
+        paddd   xmm8, xmm14
+        paddd   xmm0, xmm1
+        paddd   xmm8, xmm9
+        pxor    xmm3, xmm0
+        pxor    xmm11, xmm8
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        pshuflw xmm11, xmm11, 0xB1
+        pshufhw xmm11, xmm11, 0xB1
+        paddd   xmm2, xmm3
+        paddd   xmm10, xmm11
+        pxor    xmm1, xmm2
+        pxor    xmm9, xmm10
+        movdqa  xmm4, xmm1
+        pslld   xmm1, 20
+        psrld   xmm4, 12
+        por     xmm1, xmm4
+        movdqa  xmm4, xmm9
+        pslld   xmm9, 20
+        psrld   xmm4, 12
+        por     xmm9, xmm4
+        paddd   xmm0, xmm7
+        paddd   xmm8, xmm15
+        paddd   xmm0, xmm1
+        paddd   xmm8, xmm9
+        pxor    xmm3, xmm0
+        pxor    xmm11, xmm8
+        movdqa  xmm13, xmm3
+        psrld   xmm3, 8
+        pslld   xmm13, 24
+        pxor    xmm3, xmm13
+        movdqa  xmm13, xmm11
+        psrld   xmm11, 8
+        pslld   xmm13, 24
+        pxor    xmm11, xmm13
+        paddd   xmm2, xmm3
+        paddd   xmm10, xmm11
+        pxor    xmm1, xmm2
+        pxor    xmm9, xmm10
+        movdqa  xmm4, xmm1
+        pslld   xmm1, 25
+        psrld   xmm4, 7
+        por     xmm1, xmm4
+        movdqa  xmm4, xmm9
+        pslld   xmm9, 25
+        psrld   xmm4, 7
+        por     xmm9, xmm4
+        pshufd  xmm0, xmm0, 0x39
+        pshufd  xmm8, xmm8, 0x39
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm11, xmm11, 0x4E
+        pshufd  xmm2, xmm2, 0x93
+        pshufd  xmm10, xmm10, 0x93
+        dec     al
+        je      9f
+        movdqa  xmm12, xmmword ptr [rsp+0x20]
+        movdqa  xmm5, xmmword ptr [rsp+0x40]
+        pshufd  xmm13, xmm12, 0x0F
+        shufps  xmm12, xmm5, 214
+        pshufd  xmm4, xmm12, 0x39
+        movdqa  xmm12, xmm6
+        shufps  xmm12, xmm7, 250
+        pand    xmm13, xmmword ptr [PBLENDW_0x33_MASK+rip]
+        pand    xmm12, xmmword ptr [PBLENDW_0xCC_MASK+rip]
+        por     xmm13, xmm12
+        movdqa  xmmword ptr [rsp+0x20], xmm13
+        movdqa  xmm12, xmm7
+        punpcklqdq xmm12, xmm5
+        movdqa  xmm13, xmm6
+        pand    xmm12, xmmword ptr [PBLENDW_0x3F_MASK+rip]
+        pand    xmm13, xmmword ptr [PBLENDW_0xC0_MASK+rip]
+        por     xmm12, xmm13
+        pshufd  xmm12, xmm12, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd  xmm7, xmm6, 0x1E
+        movdqa  xmmword ptr [rsp+0x40], xmm12
+        movdqa  xmm5, xmmword ptr [rsp+0x30]
+        movdqa  xmm13, xmmword ptr [rsp+0x50]
+        pshufd  xmm6, xmm5, 0x0F
+        shufps  xmm5, xmm13, 214
+        pshufd  xmm12, xmm5, 0x39
+        movdqa  xmm5, xmm14
+        shufps  xmm5, xmm15, 250
+        pand    xmm6, xmmword ptr [PBLENDW_0x33_MASK+rip]
+        pand    xmm5, xmmword ptr [PBLENDW_0xCC_MASK+rip]
+        por     xmm6, xmm5
+        movdqa  xmm5, xmm15
+        punpcklqdq xmm5, xmm13
+        movdqa  xmmword ptr [rsp+0x30], xmm2
+        movdqa  xmm2, xmm14
+        pand    xmm5, xmmword ptr [PBLENDW_0x3F_MASK+rip]
+        pand    xmm2, xmmword ptr [PBLENDW_0xC0_MASK+rip]
+        por     xmm5, xmm2
+        movdqa  xmm2, xmmword ptr [rsp+0x30]
+        pshufd  xmm5, xmm5, 0x78
+        punpckhdq xmm13, xmm15
+        punpckldq xmm14, xmm13
+        pshufd  xmm15, xmm14, 0x1E
+        movdqa  xmm13, xmm6
+        movdqa  xmm14, xmm5
+        movdqa  xmm5, xmmword ptr [rsp+0x20]
+        movdqa  xmm6, xmmword ptr [rsp+0x40]
+        jmp     9b
+9:
+        pxor    xmm0, xmm2
+        pxor    xmm1, xmm3
+        pxor    xmm8, xmm10
+        pxor    xmm9, xmm11
+        mov     eax, r13d
+        cmp     rdx, r15
+        jne     2b
+        movups  xmmword ptr [rbx], xmm0
+        movups  xmmword ptr [rbx+0x10], xmm1
+        movups  xmmword ptr [rbx+0x20], xmm8
+        movups  xmmword ptr [rbx+0x30], xmm9
+        mov     eax, dword ptr [rsp+0x130]
+        neg     eax
+        mov    r10d, dword ptr [rsp+0x110+8*rax]
+        mov    r11d, dword ptr [rsp+0x120+8*rax]
+        mov dword ptr [rsp+0x110], r10d
+        mov dword ptr [rsp+0x120], r11d
+        add     rdi, 16
+        add     rbx, 64
+        sub     rsi, 2
+3:
+        test    esi, 0x1
+        je      4b
+        movups  xmm0, xmmword ptr [rcx]
+        movups  xmm1, xmmword ptr [rcx+0x10]
+        movd    xmm13, dword ptr [rsp+0x110]
+        movd    xmm14, dword ptr [rsp+0x120]
+        punpckldq xmm13, xmm14
+        mov     r8, qword ptr [rdi]
+        movzx   eax, byte ptr [rbp+0x80]
+        or      eax, r13d
+        xor     edx, edx
+2:
+        mov     r14d, eax
+        or      eax, r12d
+        add     rdx, 64
+        cmp     rdx, r15
+        cmovne  eax, r14d
+        movaps  xmm2, xmmword ptr [BLAKE3_IV+rip]
+        shl     rax, 32
+        or      rax, 64
+        movq    xmm12, rax
+        movdqa  xmm3, xmm13
+        punpcklqdq xmm3, xmm12
+        movups  xmm4, xmmword ptr [r8+rdx-0x40]
+        movups  xmm5, xmmword ptr [r8+rdx-0x30]
+        movaps  xmm8, xmm4
+        shufps  xmm4, xmm5, 136
+        shufps  xmm8, xmm5, 221
+        movaps  xmm5, xmm8
+        movups  xmm6, xmmword ptr [r8+rdx-0x20]
+        movups  xmm7, xmmword ptr [r8+rdx-0x10]
+        movaps  xmm8, xmm6
+        shufps  xmm6, xmm7, 136
+        pshufd  xmm6, xmm6, 0x93
+        shufps  xmm8, xmm7, 221
+        pshufd  xmm7, xmm8, 0x93
+        mov     al, 7
+9:
+        paddd   xmm0, xmm4
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 20
+        psrld   xmm11, 12
+        por     xmm1, xmm11
+        paddd   xmm0, xmm5
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        movdqa  xmm14, xmm3
+        psrld   xmm3, 8
+        pslld   xmm14, 24
+        pxor    xmm3, xmm14
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 25
+        psrld   xmm11, 7
+        por     xmm1, xmm11
+        pshufd  xmm0, xmm0, 0x93
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm2, xmm2, 0x39
+        paddd   xmm0, xmm6
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 20
+        psrld   xmm11, 12
+        por     xmm1, xmm11
+        paddd   xmm0, xmm7
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        movdqa  xmm14, xmm3
+        psrld   xmm3, 8
+        pslld   xmm14, 24
+        pxor    xmm3, xmm14
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 25
+        psrld   xmm11, 7
+        por     xmm1, xmm11
+        pshufd  xmm0, xmm0, 0x39
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm2, xmm2, 0x93
+        dec     al
+        jz      9f
+        movdqa  xmm8, xmm4
+        shufps  xmm8, xmm5, 214
+        pshufd  xmm9, xmm4, 0x0F
+        pshufd  xmm4, xmm8, 0x39
+        movdqa  xmm8, xmm6
+        shufps  xmm8, xmm7, 250
+        pand    xmm9, xmmword ptr [PBLENDW_0x33_MASK+rip]
+        pand    xmm8, xmmword ptr [PBLENDW_0xCC_MASK+rip]
+        por     xmm9, xmm8
+        movdqa  xmm8, xmm7
+        punpcklqdq xmm8, xmm5
+        movdqa  xmm10, xmm6
+        pand    xmm8, xmmword ptr [PBLENDW_0x3F_MASK+rip]
+        pand    xmm10, xmmword ptr [PBLENDW_0xC0_MASK+rip]
+        por     xmm8, xmm10
+        pshufd  xmm8, xmm8, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd  xmm7, xmm6, 0x1E
+        movdqa  xmm5, xmm9
+        movdqa  xmm6, xmm8
+        jmp     9b
+9:
+        pxor    xmm0, xmm2
+        pxor    xmm1, xmm3
+        mov     eax, r13d
+        cmp     rdx, r15
+        jne     2b
+        movups  xmmword ptr [rbx], xmm0
+        movups  xmmword ptr [rbx+0x10], xmm1
+        jmp     4b
+
+.p2align 6
+blake3_compress_in_place_sse2:
+_blake3_compress_in_place_sse2:
+        sub     rsp, 120
+        movdqa  xmmword ptr [rsp], xmm6
+        movdqa  xmmword ptr [rsp+0x10], xmm7
+        movdqa  xmmword ptr [rsp+0x20], xmm8
+        movdqa  xmmword ptr [rsp+0x30], xmm9
+        movdqa  xmmword ptr [rsp+0x40], xmm11
+        movdqa  xmmword ptr [rsp+0x50], xmm14
+        movdqa  xmmword ptr [rsp+0x60], xmm15
+        movups  xmm0, xmmword ptr [rcx]
+        movups  xmm1, xmmword ptr [rcx+0x10]
+        movaps  xmm2, xmmword ptr [BLAKE3_IV+rip]
+        movzx   eax, byte ptr [rsp+0xA0]
+        movzx   r8d, r8b
+        shl     rax, 32
+        add     r8, rax
+        movq    xmm3, r9
+        movq    xmm4, r8
+        punpcklqdq xmm3, xmm4
+        movups  xmm4, xmmword ptr [rdx]
+        movups  xmm5, xmmword ptr [rdx+0x10]
+        movaps  xmm8, xmm4
+        shufps  xmm4, xmm5, 136
+        shufps  xmm8, xmm5, 221
+        movaps  xmm5, xmm8
+        movups  xmm6, xmmword ptr [rdx+0x20]
+        movups  xmm7, xmmword ptr [rdx+0x30]
+        movaps  xmm8, xmm6
+        shufps  xmm6, xmm7, 136
+        pshufd  xmm6, xmm6, 0x93
+        shufps  xmm8, xmm7, 221
+        pshufd  xmm7, xmm8, 0x93
+        mov     al, 7
+9:
+        paddd   xmm0, xmm4
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 20
+        psrld   xmm11, 12
+        por     xmm1, xmm11
+        paddd   xmm0, xmm5
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        movdqa  xmm14, xmm3
+        psrld   xmm3, 8
+        pslld   xmm14, 24
+        pxor    xmm3, xmm14
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 25
+        psrld   xmm11, 7
+        por     xmm1, xmm11
+        pshufd  xmm0, xmm0, 0x93
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm2, xmm2, 0x39
+        paddd   xmm0, xmm6
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 20
+        psrld   xmm11, 12
+        por     xmm1, xmm11
+        paddd   xmm0, xmm7
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        movdqa  xmm14, xmm3
+        psrld   xmm3, 8
+        pslld   xmm14, 24
+        pxor    xmm3, xmm14
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 25
+        psrld   xmm11, 7
+        por     xmm1, xmm11
+        pshufd  xmm0, xmm0, 0x39
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm2, xmm2, 0x93
+        dec     al
+        jz      9f
+        movdqa  xmm8, xmm4
+        shufps  xmm8, xmm5, 214
+        pshufd  xmm9, xmm4, 0x0F
+        pshufd  xmm4, xmm8, 0x39
+        movdqa  xmm8, xmm6
+        shufps  xmm8, xmm7, 250
+        pand    xmm9, xmmword ptr [PBLENDW_0x33_MASK+rip]
+        pand    xmm8, xmmword ptr [PBLENDW_0xCC_MASK+rip]
+        por     xmm9, xmm8
+        movdqa  xmm8, xmm7
+        punpcklqdq xmm8, xmm5
+        movdqa  xmm14, xmm6
+        pand    xmm8, xmmword ptr [PBLENDW_0x3F_MASK+rip]
+        pand    xmm14, xmmword ptr [PBLENDW_0xC0_MASK+rip]
+        por     xmm8, xmm14
+        pshufd  xmm8, xmm8, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd  xmm7, xmm6, 0x1E
+        movdqa  xmm5, xmm9
+        movdqa  xmm6, xmm8
+        jmp     9b
+9:
+        pxor    xmm0, xmm2
+        pxor    xmm1, xmm3
+        movups  xmmword ptr [rcx], xmm0
+        movups  xmmword ptr [rcx+0x10], xmm1
+        movdqa  xmm6, xmmword ptr [rsp]
+        movdqa  xmm7, xmmword ptr [rsp+0x10]
+        movdqa  xmm8, xmmword ptr [rsp+0x20]
+        movdqa  xmm9, xmmword ptr [rsp+0x30]
+        movdqa  xmm11, xmmword ptr [rsp+0x40]
+        movdqa  xmm14, xmmword ptr [rsp+0x50]
+        movdqa  xmm15, xmmword ptr [rsp+0x60]
+        add     rsp, 120
+        ret
+
+
+.p2align 6
+_blake3_compress_xof_sse2:
+blake3_compress_xof_sse2:
+        sub     rsp, 120
+        movdqa  xmmword ptr [rsp], xmm6
+        movdqa  xmmword ptr [rsp+0x10], xmm7
+        movdqa  xmmword ptr [rsp+0x20], xmm8
+        movdqa  xmmword ptr [rsp+0x30], xmm9
+        movdqa  xmmword ptr [rsp+0x40], xmm11
+        movdqa  xmmword ptr [rsp+0x50], xmm14
+        movdqa  xmmword ptr [rsp+0x60], xmm15
+        movups  xmm0, xmmword ptr [rcx]
+        movups  xmm1, xmmword ptr [rcx+0x10]
+        movaps  xmm2, xmmword ptr [BLAKE3_IV+rip]
+        movzx   eax, byte ptr [rsp+0xA0]
+        movzx   r8d, r8b
+        mov     r10, qword ptr [rsp+0xA8]
+        shl     rax, 32
+        add     r8, rax
+        movq    xmm3, r9
+        movq    xmm4, r8
+        punpcklqdq xmm3, xmm4
+        movups  xmm4, xmmword ptr [rdx]
+        movups  xmm5, xmmword ptr [rdx+0x10]
+        movaps  xmm8, xmm4
+        shufps  xmm4, xmm5, 136
+        shufps  xmm8, xmm5, 221
+        movaps  xmm5, xmm8
+        movups  xmm6, xmmword ptr [rdx+0x20]
+        movups  xmm7, xmmword ptr [rdx+0x30]
+        movaps  xmm8, xmm6
+        shufps  xmm6, xmm7, 136
+        pshufd  xmm6, xmm6, 0x93
+        shufps  xmm8, xmm7, 221
+        pshufd  xmm7, xmm8, 0x93
+        mov     al, 7
+9:
+        paddd   xmm0, xmm4
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 20
+        psrld   xmm11, 12
+        por     xmm1, xmm11
+        paddd   xmm0, xmm5
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        movdqa  xmm14, xmm3
+        psrld   xmm3, 8
+        pslld   xmm14, 24
+        pxor    xmm3, xmm14
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 25
+        psrld   xmm11, 7
+        por     xmm1, xmm11
+        pshufd  xmm0, xmm0, 0x93
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm2, xmm2, 0x39
+        paddd   xmm0, xmm6
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshuflw xmm3, xmm3, 0xB1
+        pshufhw xmm3, xmm3, 0xB1
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 20
+        psrld   xmm11, 12
+        por     xmm1, xmm11
+        paddd   xmm0, xmm7
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        movdqa  xmm14, xmm3
+        psrld   xmm3, 8
+        pslld   xmm14, 24
+        pxor    xmm3, xmm14
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 25
+        psrld   xmm11, 7
+        por     xmm1, xmm11
+        pshufd  xmm0, xmm0, 0x39
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm2, xmm2, 0x93
+        dec     al
+        jz      9f
+        movdqa  xmm8, xmm4
+        shufps  xmm8, xmm5, 214
+        pshufd  xmm9, xmm4, 0x0F
+        pshufd  xmm4, xmm8, 0x39
+        movdqa  xmm8, xmm6
+        shufps  xmm8, xmm7, 250
+        pand    xmm9, xmmword ptr [PBLENDW_0x33_MASK+rip]
+        pand    xmm8, xmmword ptr [PBLENDW_0xCC_MASK+rip]
+        por     xmm9, xmm8
+        movdqa  xmm8, xmm7
+        punpcklqdq xmm8, xmm5
+        movdqa  xmm14, xmm6
+        pand    xmm8, xmmword ptr [PBLENDW_0x3F_MASK+rip]
+        pand    xmm14, xmmword ptr [PBLENDW_0xC0_MASK+rip]
+        por     xmm8, xmm14
+        pshufd  xmm8, xmm8, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd  xmm7, xmm6, 0x1E
+        movdqa  xmm5, xmm9
+        movdqa  xmm6, xmm8
+        jmp     9b
+9:
+        movdqu  xmm4, xmmword ptr [rcx]
+        movdqu  xmm5, xmmword ptr [rcx+0x10]
+        pxor    xmm0, xmm2
+        pxor    xmm1, xmm3
+        pxor    xmm2, xmm4
+        pxor    xmm3, xmm5
+        movups  xmmword ptr [r10], xmm0
+        movups  xmmword ptr [r10+0x10], xmm1
+        movups  xmmword ptr [r10+0x20], xmm2
+        movups  xmmword ptr [r10+0x30], xmm3
+        movdqa  xmm6, xmmword ptr [rsp]
+        movdqa  xmm7, xmmword ptr [rsp+0x10]
+        movdqa  xmm8, xmmword ptr [rsp+0x20]
+        movdqa  xmm9, xmmword ptr [rsp+0x30]
+        movdqa  xmm11, xmmword ptr [rsp+0x40]
+        movdqa  xmm14, xmmword ptr [rsp+0x50]
+        movdqa  xmm15, xmmword ptr [rsp+0x60]
+        add     rsp, 120
+        ret
+
+
+.section .rdata
+.p2align  6
+BLAKE3_IV:
+        .long  0x6A09E667, 0xBB67AE85
+        .long  0x3C6EF372, 0xA54FF53A
+ADD0:   
+        .long  0, 1, 2, 3
+ADD1:
+        .long  4, 4, 4, 4
+BLAKE3_IV_0:
+        .long  0x6A09E667, 0x6A09E667, 0x6A09E667, 0x6A09E667
+BLAKE3_IV_1:
+        .long  0xBB67AE85, 0xBB67AE85, 0xBB67AE85, 0xBB67AE85
+BLAKE3_IV_2:
+        .long  0x3C6EF372, 0x3C6EF372, 0x3C6EF372, 0x3C6EF372
+BLAKE3_IV_3:
+        .long  0xA54FF53A, 0xA54FF53A, 0xA54FF53A, 0xA54FF53A
+BLAKE3_BLOCK_LEN:
+        .long  64, 64, 64, 64
+CMP_MSB_MASK:
+        .long  0x80000000, 0x80000000, 0x80000000, 0x80000000
+PBLENDW_0x33_MASK:
+        .long  0xFFFFFFFF, 0x00000000, 0xFFFFFFFF, 0x00000000
+PBLENDW_0xCC_MASK:
+        .long  0x00000000, 0xFFFFFFFF, 0x00000000, 0xFFFFFFFF
+PBLENDW_0x3F_MASK:
+        .long  0xFFFFFFFF, 0xFFFFFFFF, 0xFFFFFFFF, 0x00000000
+PBLENDW_0xC0_MASK:
+        .long  0x00000000, 0x00000000, 0x00000000, 0xFFFFFFFF
diff --git a/ext/blake3-smol/src/asm/blake3_sse41_x86-64_unix.S b/ext/blake3-smol/src/asm/blake3_sse41_x86-64_unix.S
new file mode 100644 (file)
index 0000000..0f48882
--- /dev/null
@@ -0,0 +1,2022 @@
+# 0 "src/asm/blake3_sse41_x86-64_unix.S"
+# 0 "<built-in>"
+# 0 "<command-line>"
+# 1 "/usr/include/stdc-predef.h" 1 3 4
+# 0 "<command-line>" 2
+# 1 "src/asm/blake3_sse41_x86-64_unix.S"
+
+.section .note.GNU-stack,"",%progbits
+# 15 "src/asm/blake3_sse41_x86-64_unix.S"
+.global blake3_hash_many_sse41
+.global _blake3_hash_many_sse41
+.global blake3_compress_in_place_sse41
+.global _blake3_compress_in_place_sse41
+.global blake3_compress_xof_sse41
+.global _blake3_compress_xof_sse41
+
+
+
+.section .text
+
+        .p2align 6
+_blake3_hash_many_sse41:
+blake3_hash_many_sse41:
+       
+        push r15
+        push r14
+        push r13
+        push r12
+        push rbx
+        push rbp
+        mov rbp, rsp
+        sub rsp, 360
+        and rsp, 0xFFFFFFFFFFFFFFC0
+        neg r9d
+        movd xmm0, r9d
+        pshufd xmm0, xmm0, 0x00
+        movdqa xmmword ptr [rsp+0x130], xmm0
+        movdqa xmm1, xmm0
+        pand xmm1, xmmword ptr [203f+rip]
+        pand xmm0, xmmword ptr [204f+rip]
+        movdqa xmmword ptr [rsp+0x150], xmm0
+        movd xmm0, r8d
+        pshufd xmm0, xmm0, 0x00
+        paddd xmm0, xmm1
+        movdqa xmmword ptr [rsp+0x110], xmm0
+        pxor xmm0, xmmword ptr [210f+rip]
+        pxor xmm1, xmmword ptr [210f+rip]
+        pcmpgtd xmm1, xmm0
+        shr r8, 32
+        movd xmm2, r8d
+        pshufd xmm2, xmm2, 0x00
+        psubd xmm2, xmm1
+        movdqa xmmword ptr [rsp+0x120], xmm2
+        mov rbx, qword ptr [rbp+0x50]
+        mov r15, rdx
+        shl r15, 6
+        movzx r13d, byte ptr [rbp+0x38]
+        movzx r12d, byte ptr [rbp+0x48]
+        cmp rsi, 4
+        jc 3f
+2:
+        movdqu xmm3, xmmword ptr [rcx]
+        pshufd xmm0, xmm3, 0x00
+        pshufd xmm1, xmm3, 0x55
+        pshufd xmm2, xmm3, 0xAA
+        pshufd xmm3, xmm3, 0xFF
+        movdqu xmm7, xmmword ptr [rcx+0x10]
+        pshufd xmm4, xmm7, 0x00
+        pshufd xmm5, xmm7, 0x55
+        pshufd xmm6, xmm7, 0xAA
+        pshufd xmm7, xmm7, 0xFF
+        mov r8, qword ptr [rdi]
+        mov r9, qword ptr [rdi+0x8]
+        mov r10, qword ptr [rdi+0x10]
+        mov r11, qword ptr [rdi+0x18]
+        movzx eax, byte ptr [rbp+0x40]
+        or eax, r13d
+        xor edx, edx
+9:
+        mov r14d, eax
+        or eax, r12d
+        add rdx, 64
+        cmp rdx, r15
+        cmovne eax, r14d
+        movdqu xmm8, xmmword ptr [r8+rdx-0x40]
+        movdqu xmm9, xmmword ptr [r9+rdx-0x40]
+        movdqu xmm10, xmmword ptr [r10+rdx-0x40]
+        movdqu xmm11, xmmword ptr [r11+rdx-0x40]
+        movdqa xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa xmmword ptr [rsp], xmm8
+        movdqa xmmword ptr [rsp+0x10], xmm9
+        movdqa xmmword ptr [rsp+0x20], xmm12
+        movdqa xmmword ptr [rsp+0x30], xmm13
+        movdqu xmm8, xmmword ptr [r8+rdx-0x30]
+        movdqu xmm9, xmmword ptr [r9+rdx-0x30]
+        movdqu xmm10, xmmword ptr [r10+rdx-0x30]
+        movdqu xmm11, xmmword ptr [r11+rdx-0x30]
+        movdqa xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa xmmword ptr [rsp+0x40], xmm8
+        movdqa xmmword ptr [rsp+0x50], xmm9
+        movdqa xmmword ptr [rsp+0x60], xmm12
+        movdqa xmmword ptr [rsp+0x70], xmm13
+        movdqu xmm8, xmmword ptr [r8+rdx-0x20]
+        movdqu xmm9, xmmword ptr [r9+rdx-0x20]
+        movdqu xmm10, xmmword ptr [r10+rdx-0x20]
+        movdqu xmm11, xmmword ptr [r11+rdx-0x20]
+        movdqa xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa xmmword ptr [rsp+0x80], xmm8
+        movdqa xmmword ptr [rsp+0x90], xmm9
+        movdqa xmmword ptr [rsp+0xA0], xmm12
+        movdqa xmmword ptr [rsp+0xB0], xmm13
+        movdqu xmm8, xmmword ptr [r8+rdx-0x10]
+        movdqu xmm9, xmmword ptr [r9+rdx-0x10]
+        movdqu xmm10, xmmword ptr [r10+rdx-0x10]
+        movdqu xmm11, xmmword ptr [r11+rdx-0x10]
+        movdqa xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa xmmword ptr [rsp+0xC0], xmm8
+        movdqa xmmword ptr [rsp+0xD0], xmm9
+        movdqa xmmword ptr [rsp+0xE0], xmm12
+        movdqa xmmword ptr [rsp+0xF0], xmm13
+        movdqa xmm9, xmmword ptr [206f+rip]
+        movdqa xmm10, xmmword ptr [207f+rip]
+        movdqa xmm11, xmmword ptr [208f+rip]
+        movdqa xmm12, xmmword ptr [rsp+0x110]
+        movdqa xmm13, xmmword ptr [rsp+0x120]
+        movdqa xmm14, xmmword ptr [209f+rip]
+        movd xmm15, eax
+        pshufd xmm15, xmm15, 0x00
+        prefetcht0 [r8+rdx+0x80]
+        prefetcht0 [r9+rdx+0x80]
+        prefetcht0 [r10+rdx+0x80]
+        prefetcht0 [r11+rdx+0x80]
+        paddd xmm0, xmmword ptr [rsp]
+        paddd xmm1, xmmword ptr [rsp+0x20]
+        paddd xmm2, xmmword ptr [rsp+0x40]
+        paddd xmm3, xmmword ptr [rsp+0x60]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmmword ptr [201f+rip]
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        pshufb xmm15, xmm8
+        movdqa xmm8, xmmword ptr [205f+rip]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x10]
+        paddd xmm1, xmmword ptr [rsp+0x30]
+        paddd xmm2, xmmword ptr [rsp+0x50]
+        paddd xmm3, xmmword ptr [rsp+0x70]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmmword ptr [202f+rip]
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        pshufb xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x80]
+        paddd xmm1, xmmword ptr [rsp+0xA0]
+        paddd xmm2, xmmword ptr [rsp+0xC0]
+        paddd xmm3, xmmword ptr [rsp+0xE0]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmmword ptr [201f+rip]
+        pshufb xmm15, xmm8
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x90]
+        paddd xmm1, xmmword ptr [rsp+0xB0]
+        paddd xmm2, xmmword ptr [rsp+0xD0]
+        paddd xmm3, xmmword ptr [rsp+0xF0]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmmword ptr [202f+rip]
+        pshufb xmm15, xmm8
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x20]
+        paddd xmm1, xmmword ptr [rsp+0x30]
+        paddd xmm2, xmmword ptr [rsp+0x70]
+        paddd xmm3, xmmword ptr [rsp+0x40]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmmword ptr [201f+rip]
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        pshufb xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x60]
+        paddd xmm1, xmmword ptr [rsp+0xA0]
+        paddd xmm2, xmmword ptr [rsp]
+        paddd xmm3, xmmword ptr [rsp+0xD0]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmmword ptr [202f+rip]
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        pshufb xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x10]
+        paddd xmm1, xmmword ptr [rsp+0xC0]
+        paddd xmm2, xmmword ptr [rsp+0x90]
+        paddd xmm3, xmmword ptr [rsp+0xF0]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmmword ptr [201f+rip]
+        pshufb xmm15, xmm8
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xB0]
+        paddd xmm1, xmmword ptr [rsp+0x50]
+        paddd xmm2, xmmword ptr [rsp+0xE0]
+        paddd xmm3, xmmword ptr [rsp+0x80]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmmword ptr [202f+rip]
+        pshufb xmm15, xmm8
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x30]
+        paddd xmm1, xmmword ptr [rsp+0xA0]
+        paddd xmm2, xmmword ptr [rsp+0xD0]
+        paddd xmm3, xmmword ptr [rsp+0x70]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmmword ptr [201f+rip]
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        pshufb xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x40]
+        paddd xmm1, xmmword ptr [rsp+0xC0]
+        paddd xmm2, xmmword ptr [rsp+0x20]
+        paddd xmm3, xmmword ptr [rsp+0xE0]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmmword ptr [202f+rip]
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        pshufb xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x60]
+        paddd xmm1, xmmword ptr [rsp+0x90]
+        paddd xmm2, xmmword ptr [rsp+0xB0]
+        paddd xmm3, xmmword ptr [rsp+0x80]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmmword ptr [201f+rip]
+        pshufb xmm15, xmm8
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x50]
+        paddd xmm1, xmmword ptr [rsp]
+        paddd xmm2, xmmword ptr [rsp+0xF0]
+        paddd xmm3, xmmword ptr [rsp+0x10]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmmword ptr [202f+rip]
+        pshufb xmm15, xmm8
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xA0]
+        paddd xmm1, xmmword ptr [rsp+0xC0]
+        paddd xmm2, xmmword ptr [rsp+0xE0]
+        paddd xmm3, xmmword ptr [rsp+0xD0]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmmword ptr [201f+rip]
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        pshufb xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x70]
+        paddd xmm1, xmmword ptr [rsp+0x90]
+        paddd xmm2, xmmword ptr [rsp+0x30]
+        paddd xmm3, xmmword ptr [rsp+0xF0]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmmword ptr [202f+rip]
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        pshufb xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x40]
+        paddd xmm1, xmmword ptr [rsp+0xB0]
+        paddd xmm2, xmmword ptr [rsp+0x50]
+        paddd xmm3, xmmword ptr [rsp+0x10]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmmword ptr [201f+rip]
+        pshufb xmm15, xmm8
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp]
+        paddd xmm1, xmmword ptr [rsp+0x20]
+        paddd xmm2, xmmword ptr [rsp+0x80]
+        paddd xmm3, xmmword ptr [rsp+0x60]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmmword ptr [202f+rip]
+        pshufb xmm15, xmm8
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xC0]
+        paddd xmm1, xmmword ptr [rsp+0x90]
+        paddd xmm2, xmmword ptr [rsp+0xF0]
+        paddd xmm3, xmmword ptr [rsp+0xE0]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmmword ptr [201f+rip]
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        pshufb xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xD0]
+        paddd xmm1, xmmword ptr [rsp+0xB0]
+        paddd xmm2, xmmword ptr [rsp+0xA0]
+        paddd xmm3, xmmword ptr [rsp+0x80]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmmword ptr [202f+rip]
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        pshufb xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x70]
+        paddd xmm1, xmmword ptr [rsp+0x50]
+        paddd xmm2, xmmword ptr [rsp]
+        paddd xmm3, xmmword ptr [rsp+0x60]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmmword ptr [201f+rip]
+        pshufb xmm15, xmm8
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x20]
+        paddd xmm1, xmmword ptr [rsp+0x30]
+        paddd xmm2, xmmword ptr [rsp+0x10]
+        paddd xmm3, xmmword ptr [rsp+0x40]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmmword ptr [202f+rip]
+        pshufb xmm15, xmm8
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x90]
+        paddd xmm1, xmmword ptr [rsp+0xB0]
+        paddd xmm2, xmmword ptr [rsp+0x80]
+        paddd xmm3, xmmword ptr [rsp+0xF0]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmmword ptr [201f+rip]
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        pshufb xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xE0]
+        paddd xmm1, xmmword ptr [rsp+0x50]
+        paddd xmm2, xmmword ptr [rsp+0xC0]
+        paddd xmm3, xmmword ptr [rsp+0x10]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmmword ptr [202f+rip]
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        pshufb xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xD0]
+        paddd xmm1, xmmword ptr [rsp]
+        paddd xmm2, xmmword ptr [rsp+0x20]
+        paddd xmm3, xmmword ptr [rsp+0x40]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmmword ptr [201f+rip]
+        pshufb xmm15, xmm8
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0x30]
+        paddd xmm1, xmmword ptr [rsp+0xA0]
+        paddd xmm2, xmmword ptr [rsp+0x60]
+        paddd xmm3, xmmword ptr [rsp+0x70]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmmword ptr [202f+rip]
+        pshufb xmm15, xmm8
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xB0]
+        paddd xmm1, xmmword ptr [rsp+0x50]
+        paddd xmm2, xmmword ptr [rsp+0x10]
+        paddd xmm3, xmmword ptr [rsp+0x80]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmmword ptr [201f+rip]
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        pshufb xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xF0]
+        paddd xmm1, xmmword ptr [rsp]
+        paddd xmm2, xmmword ptr [rsp+0x90]
+        paddd xmm3, xmmword ptr [rsp+0x60]
+        paddd xmm0, xmm4
+        paddd xmm1, xmm5
+        paddd xmm2, xmm6
+        paddd xmm3, xmm7
+        pxor xmm12, xmm0
+        pxor xmm13, xmm1
+        pxor xmm14, xmm2
+        pxor xmm15, xmm3
+        movdqa xmm8, xmmword ptr [202f+rip]
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        pshufb xmm15, xmm8
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm12
+        paddd xmm9, xmm13
+        paddd xmm10, xmm14
+        paddd xmm11, xmm15
+        pxor xmm4, xmm8
+        pxor xmm5, xmm9
+        pxor xmm6, xmm10
+        pxor xmm7, xmm11
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xE0]
+        paddd xmm1, xmmword ptr [rsp+0x20]
+        paddd xmm2, xmmword ptr [rsp+0x30]
+        paddd xmm3, xmmword ptr [rsp+0x70]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmmword ptr [201f+rip]
+        pshufb xmm15, xmm8
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        movdqa xmmword ptr [rsp+0x100], xmm8
+        movdqa xmm8, xmm5
+        psrld xmm8, 12
+        pslld xmm5, 20
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 12
+        pslld xmm6, 20
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 12
+        pslld xmm7, 20
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 12
+        pslld xmm4, 20
+        por xmm4, xmm8
+        paddd xmm0, xmmword ptr [rsp+0xA0]
+        paddd xmm1, xmmword ptr [rsp+0xC0]
+        paddd xmm2, xmmword ptr [rsp+0x40]
+        paddd xmm3, xmmword ptr [rsp+0xD0]
+        paddd xmm0, xmm5
+        paddd xmm1, xmm6
+        paddd xmm2, xmm7
+        paddd xmm3, xmm4
+        pxor xmm15, xmm0
+        pxor xmm12, xmm1
+        pxor xmm13, xmm2
+        pxor xmm14, xmm3
+        movdqa xmm8, xmmword ptr [202f+rip]
+        pshufb xmm15, xmm8
+        pshufb xmm12, xmm8
+        pshufb xmm13, xmm8
+        pshufb xmm14, xmm8
+        paddd xmm10, xmm15
+        paddd xmm11, xmm12
+        movdqa xmm8, xmmword ptr [rsp+0x100]
+        paddd xmm8, xmm13
+        paddd xmm9, xmm14
+        pxor xmm5, xmm10
+        pxor xmm6, xmm11
+        pxor xmm7, xmm8
+        pxor xmm4, xmm9
+        pxor xmm0, xmm8
+        pxor xmm1, xmm9
+        pxor xmm2, xmm10
+        pxor xmm3, xmm11
+        movdqa xmm8, xmm5
+        psrld xmm8, 7
+        pslld xmm5, 25
+        por xmm5, xmm8
+        movdqa xmm8, xmm6
+        psrld xmm8, 7
+        pslld xmm6, 25
+        por xmm6, xmm8
+        movdqa xmm8, xmm7
+        psrld xmm8, 7
+        pslld xmm7, 25
+        por xmm7, xmm8
+        movdqa xmm8, xmm4
+        psrld xmm8, 7
+        pslld xmm4, 25
+        por xmm4, xmm8
+        pxor xmm4, xmm12
+        pxor xmm5, xmm13
+        pxor xmm6, xmm14
+        pxor xmm7, xmm15
+        mov eax, r13d
+        jne 9b
+        movdqa xmm9, xmm0
+        punpckldq xmm0, xmm1
+        punpckhdq xmm9, xmm1
+        movdqa xmm11, xmm2
+        punpckldq xmm2, xmm3
+        punpckhdq xmm11, xmm3
+        movdqa xmm1, xmm0
+        punpcklqdq xmm0, xmm2
+        punpckhqdq xmm1, xmm2
+        movdqa xmm3, xmm9
+        punpcklqdq xmm9, xmm11
+        punpckhqdq xmm3, xmm11
+        movdqu xmmword ptr [rbx], xmm0
+        movdqu xmmword ptr [rbx+0x20], xmm1
+        movdqu xmmword ptr [rbx+0x40], xmm9
+        movdqu xmmword ptr [rbx+0x60], xmm3
+        movdqa xmm9, xmm4
+        punpckldq xmm4, xmm5
+        punpckhdq xmm9, xmm5
+        movdqa xmm11, xmm6
+        punpckldq xmm6, xmm7
+        punpckhdq xmm11, xmm7
+        movdqa xmm5, xmm4
+        punpcklqdq xmm4, xmm6
+        punpckhqdq xmm5, xmm6
+        movdqa xmm7, xmm9
+        punpcklqdq xmm9, xmm11
+        punpckhqdq xmm7, xmm11
+        movdqu xmmword ptr [rbx+0x10], xmm4
+        movdqu xmmword ptr [rbx+0x30], xmm5
+        movdqu xmmword ptr [rbx+0x50], xmm9
+        movdqu xmmword ptr [rbx+0x70], xmm7
+        movdqa xmm1, xmmword ptr [rsp+0x110]
+        movdqa xmm0, xmm1
+        paddd xmm1, xmmword ptr [rsp+0x150]
+        movdqa xmmword ptr [rsp+0x110], xmm1
+        pxor xmm0, xmmword ptr [210f+rip]
+        pxor xmm1, xmmword ptr [210f+rip]
+        pcmpgtd xmm0, xmm1
+        movdqa xmm1, xmmword ptr [rsp+0x120]
+        psubd xmm1, xmm0
+        movdqa xmmword ptr [rsp+0x120], xmm1
+        add rbx, 128
+        add rdi, 32
+        sub rsi, 4
+        cmp rsi, 4
+        jnc 2b
+        test rsi, rsi
+        jnz 3f
+4:
+        mov rsp, rbp
+        pop rbp
+        pop rbx
+        pop r12
+        pop r13
+        pop r14
+        pop r15
+        ret
+.p2align 5
+3:
+        test esi, 0x2
+        je 3f
+        movups xmm0, xmmword ptr [rcx]
+        movups xmm1, xmmword ptr [rcx+0x10]
+        movaps xmm8, xmm0
+        movaps xmm9, xmm1
+        movd xmm13, dword ptr [rsp+0x110]
+        pinsrd xmm13, dword ptr [rsp+0x120], 1
+        pinsrd xmm13, dword ptr [209f+rip], 2
+        movaps xmmword ptr [rsp], xmm13
+        movd xmm14, dword ptr [rsp+0x114]
+        pinsrd xmm14, dword ptr [rsp+0x124], 1
+        pinsrd xmm14, dword ptr [209f+rip], 2
+        movaps xmmword ptr [rsp+0x10], xmm14
+        mov r8, qword ptr [rdi]
+        mov r9, qword ptr [rdi+0x8]
+        movzx eax, byte ptr [rbp+0x40]
+        or eax, r13d
+        xor edx, edx
+2:
+        mov r14d, eax
+        or eax, r12d
+        add rdx, 64
+        cmp rdx, r15
+        cmovne eax, r14d
+        movaps xmm2, xmmword ptr [200f+rip]
+        movaps xmm10, xmm2
+        movups xmm4, xmmword ptr [r8+rdx-0x40]
+        movups xmm5, xmmword ptr [r8+rdx-0x30]
+        movaps xmm3, xmm4
+        shufps xmm4, xmm5, 136
+        shufps xmm3, xmm5, 221
+        movaps xmm5, xmm3
+        movups xmm6, xmmword ptr [r8+rdx-0x20]
+        movups xmm7, xmmword ptr [r8+rdx-0x10]
+        movaps xmm3, xmm6
+        shufps xmm6, xmm7, 136
+        pshufd xmm6, xmm6, 0x93
+        shufps xmm3, xmm7, 221
+        pshufd xmm7, xmm3, 0x93
+        movups xmm12, xmmword ptr [r9+rdx-0x40]
+        movups xmm13, xmmword ptr [r9+rdx-0x30]
+        movaps xmm11, xmm12
+        shufps xmm12, xmm13, 136
+        shufps xmm11, xmm13, 221
+        movaps xmm13, xmm11
+        movups xmm14, xmmword ptr [r9+rdx-0x20]
+        movups xmm15, xmmword ptr [r9+rdx-0x10]
+        movaps xmm11, xmm14
+        shufps xmm14, xmm15, 136
+        pshufd xmm14, xmm14, 0x93
+        shufps xmm11, xmm15, 221
+        pshufd xmm15, xmm11, 0x93
+        movaps xmm3, xmmword ptr [rsp]
+        movaps xmm11, xmmword ptr [rsp+0x10]
+        pinsrd xmm3, eax, 3
+        pinsrd xmm11, eax, 3
+        mov al, 7
+9:
+        paddd xmm0, xmm4
+        paddd xmm8, xmm12
+        movaps xmmword ptr [rsp+0x20], xmm4
+        movaps xmmword ptr [rsp+0x30], xmm12
+        paddd xmm0, xmm1
+        paddd xmm8, xmm9
+        pxor xmm3, xmm0
+        pxor xmm11, xmm8
+        movaps xmm12, xmmword ptr [201f+rip]
+        pshufb xmm3, xmm12
+        pshufb xmm11, xmm12
+        paddd xmm2, xmm3
+        paddd xmm10, xmm11
+        pxor xmm1, xmm2
+        pxor xmm9, xmm10
+        movdqa xmm4, xmm1
+        pslld xmm1, 20
+        psrld xmm4, 12
+        por xmm1, xmm4
+        movdqa xmm4, xmm9
+        pslld xmm9, 20
+        psrld xmm4, 12
+        por xmm9, xmm4
+        paddd xmm0, xmm5
+        paddd xmm8, xmm13
+        movaps xmmword ptr [rsp+0x40], xmm5
+        movaps xmmword ptr [rsp+0x50], xmm13
+        paddd xmm0, xmm1
+        paddd xmm8, xmm9
+        pxor xmm3, xmm0
+        pxor xmm11, xmm8
+        movaps xmm13, xmmword ptr [202f+rip]
+        pshufb xmm3, xmm13
+        pshufb xmm11, xmm13
+        paddd xmm2, xmm3
+        paddd xmm10, xmm11
+        pxor xmm1, xmm2
+        pxor xmm9, xmm10
+        movdqa xmm4, xmm1
+        pslld xmm1, 25
+        psrld xmm4, 7
+        por xmm1, xmm4
+        movdqa xmm4, xmm9
+        pslld xmm9, 25
+        psrld xmm4, 7
+        por xmm9, xmm4
+        pshufd xmm0, xmm0, 0x93
+        pshufd xmm8, xmm8, 0x93
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm11, xmm11, 0x4E
+        pshufd xmm2, xmm2, 0x39
+        pshufd xmm10, xmm10, 0x39
+        paddd xmm0, xmm6
+        paddd xmm8, xmm14
+        paddd xmm0, xmm1
+        paddd xmm8, xmm9
+        pxor xmm3, xmm0
+        pxor xmm11, xmm8
+        pshufb xmm3, xmm12
+        pshufb xmm11, xmm12
+        paddd xmm2, xmm3
+        paddd xmm10, xmm11
+        pxor xmm1, xmm2
+        pxor xmm9, xmm10
+        movdqa xmm4, xmm1
+        pslld xmm1, 20
+        psrld xmm4, 12
+        por xmm1, xmm4
+        movdqa xmm4, xmm9
+        pslld xmm9, 20
+        psrld xmm4, 12
+        por xmm9, xmm4
+        paddd xmm0, xmm7
+        paddd xmm8, xmm15
+        paddd xmm0, xmm1
+        paddd xmm8, xmm9
+        pxor xmm3, xmm0
+        pxor xmm11, xmm8
+        pshufb xmm3, xmm13
+        pshufb xmm11, xmm13
+        paddd xmm2, xmm3
+        paddd xmm10, xmm11
+        pxor xmm1, xmm2
+        pxor xmm9, xmm10
+        movdqa xmm4, xmm1
+        pslld xmm1, 25
+        psrld xmm4, 7
+        por xmm1, xmm4
+        movdqa xmm4, xmm9
+        pslld xmm9, 25
+        psrld xmm4, 7
+        por xmm9, xmm4
+        pshufd xmm0, xmm0, 0x39
+        pshufd xmm8, xmm8, 0x39
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm11, xmm11, 0x4E
+        pshufd xmm2, xmm2, 0x93
+        pshufd xmm10, xmm10, 0x93
+        dec al
+        je 9f
+        movdqa xmm12, xmmword ptr [rsp+0x20]
+        movdqa xmm5, xmmword ptr [rsp+0x40]
+        pshufd xmm13, xmm12, 0x0F
+        shufps xmm12, xmm5, 214
+        pshufd xmm4, xmm12, 0x39
+        movdqa xmm12, xmm6
+        shufps xmm12, xmm7, 250
+        pblendw xmm13, xmm12, 0xCC
+        movdqa xmm12, xmm7
+        punpcklqdq xmm12, xmm5
+        pblendw xmm12, xmm6, 0xC0
+        pshufd xmm12, xmm12, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd xmm7, xmm6, 0x1E
+        movdqa xmmword ptr [rsp+0x20], xmm13
+        movdqa xmmword ptr [rsp+0x40], xmm12
+        movdqa xmm5, xmmword ptr [rsp+0x30]
+        movdqa xmm13, xmmword ptr [rsp+0x50]
+        pshufd xmm6, xmm5, 0x0F
+        shufps xmm5, xmm13, 214
+        pshufd xmm12, xmm5, 0x39
+        movdqa xmm5, xmm14
+        shufps xmm5, xmm15, 250
+        pblendw xmm6, xmm5, 0xCC
+        movdqa xmm5, xmm15
+        punpcklqdq xmm5, xmm13
+        pblendw xmm5, xmm14, 0xC0
+        pshufd xmm5, xmm5, 0x78
+        punpckhdq xmm13, xmm15
+        punpckldq xmm14, xmm13
+        pshufd xmm15, xmm14, 0x1E
+        movdqa xmm13, xmm6
+        movdqa xmm14, xmm5
+        movdqa xmm5, xmmword ptr [rsp+0x20]
+        movdqa xmm6, xmmword ptr [rsp+0x40]
+        jmp 9b
+9:
+        pxor xmm0, xmm2
+        pxor xmm1, xmm3
+        pxor xmm8, xmm10
+        pxor xmm9, xmm11
+        mov eax, r13d
+        cmp rdx, r15
+        jne 2b
+        movups xmmword ptr [rbx], xmm0
+        movups xmmword ptr [rbx+0x10], xmm1
+        movups xmmword ptr [rbx+0x20], xmm8
+        movups xmmword ptr [rbx+0x30], xmm9
+        movdqa xmm0, xmmword ptr [rsp+0x130]
+        movdqa xmm1, xmmword ptr [rsp+0x110]
+        movdqa xmm2, xmmword ptr [rsp+0x120]
+        movdqu xmm3, xmmword ptr [rsp+0x118]
+        movdqu xmm4, xmmword ptr [rsp+0x128]
+        blendvps xmm1, xmm3, xmm0
+        blendvps xmm2, xmm4, xmm0
+        movdqa xmmword ptr [rsp+0x110], xmm1
+        movdqa xmmword ptr [rsp+0x120], xmm2
+        add rdi, 16
+        add rbx, 64
+        sub rsi, 2
+3:
+        test esi, 0x1
+        je 4b
+        movups xmm0, xmmword ptr [rcx]
+        movups xmm1, xmmword ptr [rcx+0x10]
+        movd xmm13, dword ptr [rsp+0x110]
+        pinsrd xmm13, dword ptr [rsp+0x120], 1
+        pinsrd xmm13, dword ptr [209f+rip], 2
+        movaps xmm14, xmmword ptr [202f+rip]
+        movaps xmm15, xmmword ptr [201f+rip]
+        mov r8, qword ptr [rdi]
+        movzx eax, byte ptr [rbp+0x40]
+        or eax, r13d
+        xor edx, edx
+2:
+        mov r14d, eax
+        or eax, r12d
+        add rdx, 64
+        cmp rdx, r15
+        cmovne eax, r14d
+        movaps xmm2, xmmword ptr [200f+rip]
+        movaps xmm3, xmm13
+        pinsrd xmm3, eax, 3
+        movups xmm4, xmmword ptr [r8+rdx-0x40]
+        movups xmm5, xmmword ptr [r8+rdx-0x30]
+        movaps xmm8, xmm4
+        shufps xmm4, xmm5, 136
+        shufps xmm8, xmm5, 221
+        movaps xmm5, xmm8
+        movups xmm6, xmmword ptr [r8+rdx-0x20]
+        movups xmm7, xmmword ptr [r8+rdx-0x10]
+        movaps xmm8, xmm6
+        shufps xmm6, xmm7, 136
+        pshufd xmm6, xmm6, 0x93
+        shufps xmm8, xmm7, 221
+        pshufd xmm7, xmm8, 0x93
+        mov al, 7
+9:
+        paddd xmm0, xmm4
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshufb xmm3, xmm15
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 20
+        psrld xmm11, 12
+        por xmm1, xmm11
+        paddd xmm0, xmm5
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshufb xmm3, xmm14
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 25
+        psrld xmm11, 7
+        por xmm1, xmm11
+        pshufd xmm0, xmm0, 0x93
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm2, xmm2, 0x39
+        paddd xmm0, xmm6
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshufb xmm3, xmm15
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 20
+        psrld xmm11, 12
+        por xmm1, xmm11
+        paddd xmm0, xmm7
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshufb xmm3, xmm14
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 25
+        psrld xmm11, 7
+        por xmm1, xmm11
+        pshufd xmm0, xmm0, 0x39
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm2, xmm2, 0x93
+        dec al
+        jz 9f
+        movdqa xmm8, xmm4
+        shufps xmm8, xmm5, 214
+        pshufd xmm9, xmm4, 0x0F
+        pshufd xmm4, xmm8, 0x39
+        movdqa xmm8, xmm6
+        shufps xmm8, xmm7, 250
+        pblendw xmm9, xmm8, 0xCC
+        movdqa xmm8, xmm7
+        punpcklqdq xmm8, xmm5
+        pblendw xmm8, xmm6, 0xC0
+        pshufd xmm8, xmm8, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd xmm7, xmm6, 0x1E
+        movdqa xmm5, xmm9
+        movdqa xmm6, xmm8
+        jmp 9b
+9:
+        pxor xmm0, xmm2
+        pxor xmm1, xmm3
+        mov eax, r13d
+        cmp rdx, r15
+        jne 2b
+        movups xmmword ptr [rbx], xmm0
+        movups xmmword ptr [rbx+0x10], xmm1
+        jmp 4b
+
+.p2align 6
+blake3_compress_in_place_sse41:
+_blake3_compress_in_place_sse41:
+       
+        movups xmm0, xmmword ptr [rdi]
+        movups xmm1, xmmword ptr [rdi+0x10]
+        movaps xmm2, xmmword ptr [200f+rip]
+        shl r8, 32
+        add rdx, r8
+        movq xmm3, rcx
+        movq xmm4, rdx
+        punpcklqdq xmm3, xmm4
+        movups xmm4, xmmword ptr [rsi]
+        movups xmm5, xmmword ptr [rsi+0x10]
+        movaps xmm8, xmm4
+        shufps xmm4, xmm5, 136
+        shufps xmm8, xmm5, 221
+        movaps xmm5, xmm8
+        movups xmm6, xmmword ptr [rsi+0x20]
+        movups xmm7, xmmword ptr [rsi+0x30]
+        movaps xmm8, xmm6
+        shufps xmm6, xmm7, 136
+        pshufd xmm6, xmm6, 0x93
+        shufps xmm8, xmm7, 221
+        pshufd xmm7, xmm8, 0x93
+        movaps xmm14, xmmword ptr [202f+rip]
+        movaps xmm15, xmmword ptr [201f+rip]
+        mov al, 7
+9:
+        paddd xmm0, xmm4
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshufb xmm3, xmm15
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 20
+        psrld xmm11, 12
+        por xmm1, xmm11
+        paddd xmm0, xmm5
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshufb xmm3, xmm14
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 25
+        psrld xmm11, 7
+        por xmm1, xmm11
+        pshufd xmm0, xmm0, 0x93
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm2, xmm2, 0x39
+        paddd xmm0, xmm6
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshufb xmm3, xmm15
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 20
+        psrld xmm11, 12
+        por xmm1, xmm11
+        paddd xmm0, xmm7
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshufb xmm3, xmm14
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 25
+        psrld xmm11, 7
+        por xmm1, xmm11
+        pshufd xmm0, xmm0, 0x39
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm2, xmm2, 0x93
+        dec al
+        jz 9f
+        movdqa xmm8, xmm4
+        shufps xmm8, xmm5, 214
+        pshufd xmm9, xmm4, 0x0F
+        pshufd xmm4, xmm8, 0x39
+        movdqa xmm8, xmm6
+        shufps xmm8, xmm7, 250
+        pblendw xmm9, xmm8, 0xCC
+        movdqa xmm8, xmm7
+        punpcklqdq xmm8, xmm5
+        pblendw xmm8, xmm6, 0xC0
+        pshufd xmm8, xmm8, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd xmm7, xmm6, 0x1E
+        movdqa xmm5, xmm9
+        movdqa xmm6, xmm8
+        jmp 9b
+9:
+        pxor xmm0, xmm2
+        pxor xmm1, xmm3
+        movups xmmword ptr [rdi], xmm0
+        movups xmmword ptr [rdi+0x10], xmm1
+        ret
+
+.p2align 6
+blake3_compress_xof_sse41:
+_blake3_compress_xof_sse41:
+       
+        movups xmm0, xmmword ptr [rdi]
+        movups xmm1, xmmword ptr [rdi+0x10]
+        movaps xmm2, xmmword ptr [200f+rip]
+        movzx eax, r8b
+        movzx edx, dl
+        shl rax, 32
+        add rdx, rax
+        movq xmm3, rcx
+        movq xmm4, rdx
+        punpcklqdq xmm3, xmm4
+        movups xmm4, xmmword ptr [rsi]
+        movups xmm5, xmmword ptr [rsi+0x10]
+        movaps xmm8, xmm4
+        shufps xmm4, xmm5, 136
+        shufps xmm8, xmm5, 221
+        movaps xmm5, xmm8
+        movups xmm6, xmmword ptr [rsi+0x20]
+        movups xmm7, xmmword ptr [rsi+0x30]
+        movaps xmm8, xmm6
+        shufps xmm6, xmm7, 136
+        pshufd xmm6, xmm6, 0x93
+        shufps xmm8, xmm7, 221
+        pshufd xmm7, xmm8, 0x93
+        movaps xmm14, xmmword ptr [202f+rip]
+        movaps xmm15, xmmword ptr [201f+rip]
+        mov al, 7
+9:
+        paddd xmm0, xmm4
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshufb xmm3, xmm15
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 20
+        psrld xmm11, 12
+        por xmm1, xmm11
+        paddd xmm0, xmm5
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshufb xmm3, xmm14
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 25
+        psrld xmm11, 7
+        por xmm1, xmm11
+        pshufd xmm0, xmm0, 0x93
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm2, xmm2, 0x39
+        paddd xmm0, xmm6
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshufb xmm3, xmm15
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 20
+        psrld xmm11, 12
+        por xmm1, xmm11
+        paddd xmm0, xmm7
+        paddd xmm0, xmm1
+        pxor xmm3, xmm0
+        pshufb xmm3, xmm14
+        paddd xmm2, xmm3
+        pxor xmm1, xmm2
+        movdqa xmm11, xmm1
+        pslld xmm1, 25
+        psrld xmm11, 7
+        por xmm1, xmm11
+        pshufd xmm0, xmm0, 0x39
+        pshufd xmm3, xmm3, 0x4E
+        pshufd xmm2, xmm2, 0x93
+        dec al
+        jz 9f
+        movdqa xmm8, xmm4
+        shufps xmm8, xmm5, 214
+        pshufd xmm9, xmm4, 0x0F
+        pshufd xmm4, xmm8, 0x39
+        movdqa xmm8, xmm6
+        shufps xmm8, xmm7, 250
+        pblendw xmm9, xmm8, 0xCC
+        movdqa xmm8, xmm7
+        punpcklqdq xmm8, xmm5
+        pblendw xmm8, xmm6, 0xC0
+        pshufd xmm8, xmm8, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd xmm7, xmm6, 0x1E
+        movdqa xmm5, xmm9
+        movdqa xmm6, xmm8
+        jmp 9b
+9:
+        movdqu xmm4, xmmword ptr [rdi]
+        movdqu xmm5, xmmword ptr [rdi+0x10]
+        pxor xmm0, xmm2
+        pxor xmm1, xmm3
+        pxor xmm2, xmm4
+        pxor xmm3, xmm5
+        movups xmmword ptr [r9], xmm0
+        movups xmmword ptr [r9+0x10], xmm1
+        movups xmmword ptr [r9+0x20], xmm2
+        movups xmmword ptr [r9+0x30], xmm3
+        ret
+
+
+
+
+
+.section .rodata
+
+.p2align 6
+200:
+        .long 0x6A09E667, 0xBB67AE85
+        .long 0x3C6EF372, 0xA54FF53A
+201:
+        .byte 2, 3, 0, 1, 6, 7, 4, 5, 10, 11, 8, 9, 14, 15, 12, 13
+202:
+        .byte 1, 2, 3, 0, 5, 6, 7, 4, 9, 10, 11, 8, 13, 14, 15, 12
+203:
+        .long 0, 1, 2, 3
+204:
+ .long 4, 4, 4, 4
+205:
+ .long 0x6A09E667, 0x6A09E667, 0x6A09E667, 0x6A09E667
+206:
+ .long 0xBB67AE85, 0xBB67AE85, 0xBB67AE85, 0xBB67AE85
+207:
+ .long 0x3C6EF372, 0x3C6EF372, 0x3C6EF372, 0x3C6EF372
+208:
+ .long 0xA54FF53A, 0xA54FF53A, 0xA54FF53A, 0xA54FF53A
+209:
+ .long 64, 64, 64, 64
+210:
+ .long 0x80000000, 0x80000000, 0x80000000, 0x80000000
diff --git a/ext/blake3-smol/src/asm/blake3_sse41_x86-64_windows_gnu.S b/ext/blake3-smol/src/asm/blake3_sse41_x86-64_windows_gnu.S
new file mode 100644 (file)
index 0000000..c6186ae
--- /dev/null
@@ -0,0 +1,2068 @@
+.global blake3_hash_many_sse41
+.global _blake3_hash_many_sse41
+.global blake3_compress_in_place_sse41
+.global _blake3_compress_in_place_sse41
+.global blake3_compress_xof_sse41
+.global _blake3_compress_xof_sse41
+.section .text
+        .p2align  6
+_blake3_hash_many_sse41:
+blake3_hash_many_sse41:
+        push    r15
+        push    r14
+        push    r13
+        push    r12
+        push    rsi
+        push    rdi
+        push    rbx
+        push    rbp
+        mov     rbp, rsp
+        sub     rsp, 528
+        and     rsp, 0xFFFFFFFFFFFFFFC0
+        movdqa  xmmword ptr [rsp+0x170], xmm6
+        movdqa  xmmword ptr [rsp+0x180], xmm7
+        movdqa  xmmword ptr [rsp+0x190], xmm8
+        movdqa  xmmword ptr [rsp+0x1A0], xmm9
+        movdqa  xmmword ptr [rsp+0x1B0], xmm10
+        movdqa  xmmword ptr [rsp+0x1C0], xmm11
+        movdqa  xmmword ptr [rsp+0x1D0], xmm12
+        movdqa  xmmword ptr [rsp+0x1E0], xmm13
+        movdqa  xmmword ptr [rsp+0x1F0], xmm14
+        movdqa  xmmword ptr [rsp+0x200], xmm15
+        mov     rdi, rcx
+        mov     rsi, rdx
+        mov     rdx, r8
+        mov     rcx, r9
+        mov     r8, qword ptr [rbp+0x68]
+        movzx   r9, byte ptr [rbp+0x70]
+        neg     r9d
+        movd    xmm0, r9d
+        pshufd  xmm0, xmm0, 0x00
+        movdqa  xmmword ptr [rsp+0x130], xmm0
+        movdqa  xmm1, xmm0
+        pand    xmm1, xmmword ptr [ADD0+rip]
+        pand    xmm0, xmmword ptr [ADD1+rip]
+        movdqa  xmmword ptr [rsp+0x150], xmm0
+        movd    xmm0, r8d
+        pshufd  xmm0, xmm0, 0x00
+        paddd   xmm0, xmm1
+        movdqa  xmmword ptr [rsp+0x110], xmm0
+        pxor    xmm0, xmmword ptr [CMP_MSB_MASK+rip]
+        pxor    xmm1, xmmword ptr [CMP_MSB_MASK+rip]
+        pcmpgtd xmm1, xmm0
+        shr     r8, 32
+        movd    xmm2, r8d
+        pshufd  xmm2, xmm2, 0x00
+        psubd   xmm2, xmm1
+        movdqa  xmmword ptr [rsp+0x120], xmm2
+        mov     rbx, qword ptr [rbp+0x90]
+        mov     r15, rdx
+        shl     r15, 6
+        movzx   r13d, byte ptr [rbp+0x78]
+        movzx   r12d, byte ptr [rbp+0x88]
+        cmp     rsi, 4
+        jc      3f
+2:
+        movdqu  xmm3, xmmword ptr [rcx]
+        pshufd  xmm0, xmm3, 0x00
+        pshufd  xmm1, xmm3, 0x55
+        pshufd  xmm2, xmm3, 0xAA
+        pshufd  xmm3, xmm3, 0xFF
+        movdqu  xmm7, xmmword ptr [rcx+0x10]
+        pshufd  xmm4, xmm7, 0x00
+        pshufd  xmm5, xmm7, 0x55
+        pshufd  xmm6, xmm7, 0xAA
+        pshufd  xmm7, xmm7, 0xFF
+        mov     r8, qword ptr [rdi]
+        mov     r9, qword ptr [rdi+0x8]
+        mov     r10, qword ptr [rdi+0x10]
+        mov     r11, qword ptr [rdi+0x18]
+        movzx   eax, byte ptr [rbp+0x80]
+        or      eax, r13d
+        xor     edx, edx
+9:
+        mov     r14d, eax
+        or      eax, r12d
+        add     rdx, 64
+        cmp     rdx, r15
+        cmovne  eax, r14d
+        movdqu  xmm8, xmmword ptr [r8+rdx-0x40]
+        movdqu  xmm9, xmmword ptr [r9+rdx-0x40]
+        movdqu  xmm10, xmmword ptr [r10+rdx-0x40]
+        movdqu  xmm11, xmmword ptr [r11+rdx-0x40]
+        movdqa  xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa  xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa  xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa  xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa  xmmword ptr [rsp], xmm8
+        movdqa  xmmword ptr [rsp+0x10], xmm9
+        movdqa  xmmword ptr [rsp+0x20], xmm12
+        movdqa  xmmword ptr [rsp+0x30], xmm13
+        movdqu  xmm8, xmmword ptr [r8+rdx-0x30]
+        movdqu  xmm9, xmmword ptr [r9+rdx-0x30]
+        movdqu  xmm10, xmmword ptr [r10+rdx-0x30]
+        movdqu  xmm11, xmmword ptr [r11+rdx-0x30]
+        movdqa  xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa  xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa  xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa  xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa  xmmword ptr [rsp+0x40], xmm8
+        movdqa  xmmword ptr [rsp+0x50], xmm9
+        movdqa  xmmword ptr [rsp+0x60], xmm12
+        movdqa  xmmword ptr [rsp+0x70], xmm13
+        movdqu  xmm8, xmmword ptr [r8+rdx-0x20]
+        movdqu  xmm9, xmmword ptr [r9+rdx-0x20]
+        movdqu  xmm10, xmmword ptr [r10+rdx-0x20]
+        movdqu  xmm11, xmmword ptr [r11+rdx-0x20]
+        movdqa  xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa  xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa  xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa  xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa  xmmword ptr [rsp+0x80], xmm8
+        movdqa  xmmword ptr [rsp+0x90], xmm9
+        movdqa  xmmword ptr [rsp+0xA0], xmm12
+        movdqa  xmmword ptr [rsp+0xB0], xmm13
+        movdqu  xmm8, xmmword ptr [r8+rdx-0x10]
+        movdqu  xmm9, xmmword ptr [r9+rdx-0x10]
+        movdqu  xmm10, xmmword ptr [r10+rdx-0x10]
+        movdqu  xmm11, xmmword ptr [r11+rdx-0x10]
+        movdqa  xmm12, xmm8
+        punpckldq xmm8, xmm9
+        punpckhdq xmm12, xmm9
+        movdqa  xmm14, xmm10
+        punpckldq xmm10, xmm11
+        punpckhdq xmm14, xmm11
+        movdqa  xmm9, xmm8
+        punpcklqdq xmm8, xmm10
+        punpckhqdq xmm9, xmm10
+        movdqa  xmm13, xmm12
+        punpcklqdq xmm12, xmm14
+        punpckhqdq xmm13, xmm14
+        movdqa  xmmword ptr [rsp+0xC0], xmm8
+        movdqa  xmmword ptr [rsp+0xD0], xmm9
+        movdqa  xmmword ptr [rsp+0xE0], xmm12
+        movdqa  xmmword ptr [rsp+0xF0], xmm13
+        movdqa  xmm9, xmmword ptr [BLAKE3_IV_1+rip]
+        movdqa  xmm10, xmmword ptr [BLAKE3_IV_2+rip]
+        movdqa  xmm11, xmmword ptr [BLAKE3_IV_3+rip]
+        movdqa  xmm12, xmmword ptr [rsp+0x110]
+        movdqa  xmm13, xmmword ptr [rsp+0x120]
+        movdqa  xmm14, xmmword ptr [BLAKE3_BLOCK_LEN+rip]
+        movd    xmm15, eax
+        pshufd  xmm15, xmm15, 0x00
+        prefetcht0 [r8+rdx+0x80]
+        prefetcht0 [r9+rdx+0x80]
+        prefetcht0 [r10+rdx+0x80]
+        prefetcht0 [r11+rdx+0x80]
+        paddd   xmm0, xmmword ptr [rsp]
+        paddd   xmm1, xmmword ptr [rsp+0x20]
+        paddd   xmm2, xmmword ptr [rsp+0x40]
+        paddd   xmm3, xmmword ptr [rsp+0x60]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmmword ptr [ROT16+rip]
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        pshufb  xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [BLAKE3_IV_0+rip]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x10]
+        paddd   xmm1, xmmword ptr [rsp+0x30]
+        paddd   xmm2, xmmword ptr [rsp+0x50]
+        paddd   xmm3, xmmword ptr [rsp+0x70]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmmword ptr [ROT8+rip]
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        pshufb  xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x80]
+        paddd   xmm1, xmmword ptr [rsp+0xA0]
+        paddd   xmm2, xmmword ptr [rsp+0xC0]
+        paddd   xmm3, xmmword ptr [rsp+0xE0]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmmword ptr [ROT16+rip]
+        pshufb  xmm15, xmm8
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x90]
+        paddd   xmm1, xmmword ptr [rsp+0xB0]
+        paddd   xmm2, xmmword ptr [rsp+0xD0]
+        paddd   xmm3, xmmword ptr [rsp+0xF0]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmmword ptr [ROT8+rip]
+        pshufb  xmm15, xmm8
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x20]
+        paddd   xmm1, xmmword ptr [rsp+0x30]
+        paddd   xmm2, xmmword ptr [rsp+0x70]
+        paddd   xmm3, xmmword ptr [rsp+0x40]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmmword ptr [ROT16+rip]
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        pshufb  xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x60]
+        paddd   xmm1, xmmword ptr [rsp+0xA0]
+        paddd   xmm2, xmmword ptr [rsp]
+        paddd   xmm3, xmmword ptr [rsp+0xD0]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmmword ptr [ROT8+rip]
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        pshufb  xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x10]
+        paddd   xmm1, xmmword ptr [rsp+0xC0]
+        paddd   xmm2, xmmword ptr [rsp+0x90]
+        paddd   xmm3, xmmword ptr [rsp+0xF0]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmmword ptr [ROT16+rip]
+        pshufb  xmm15, xmm8
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xB0]
+        paddd   xmm1, xmmword ptr [rsp+0x50]
+        paddd   xmm2, xmmword ptr [rsp+0xE0]
+        paddd   xmm3, xmmword ptr [rsp+0x80]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmmword ptr [ROT8+rip]
+        pshufb  xmm15, xmm8
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x30]
+        paddd   xmm1, xmmword ptr [rsp+0xA0]
+        paddd   xmm2, xmmword ptr [rsp+0xD0]
+        paddd   xmm3, xmmword ptr [rsp+0x70]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmmword ptr [ROT16+rip]
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        pshufb  xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x40]
+        paddd   xmm1, xmmword ptr [rsp+0xC0]
+        paddd   xmm2, xmmword ptr [rsp+0x20]
+        paddd   xmm3, xmmword ptr [rsp+0xE0]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmmword ptr [ROT8+rip]
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        pshufb  xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x60]
+        paddd   xmm1, xmmword ptr [rsp+0x90]
+        paddd   xmm2, xmmword ptr [rsp+0xB0]
+        paddd   xmm3, xmmword ptr [rsp+0x80]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmmword ptr [ROT16+rip]
+        pshufb  xmm15, xmm8
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x50]
+        paddd   xmm1, xmmword ptr [rsp]
+        paddd   xmm2, xmmword ptr [rsp+0xF0]
+        paddd   xmm3, xmmword ptr [rsp+0x10]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmmword ptr [ROT8+rip]
+        pshufb  xmm15, xmm8
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xA0]
+        paddd   xmm1, xmmword ptr [rsp+0xC0]
+        paddd   xmm2, xmmword ptr [rsp+0xE0]
+        paddd   xmm3, xmmword ptr [rsp+0xD0]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmmword ptr [ROT16+rip]
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        pshufb  xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x70]
+        paddd   xmm1, xmmword ptr [rsp+0x90]
+        paddd   xmm2, xmmword ptr [rsp+0x30]
+        paddd   xmm3, xmmword ptr [rsp+0xF0]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmmword ptr [ROT8+rip]
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        pshufb  xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x40]
+        paddd   xmm1, xmmword ptr [rsp+0xB0]
+        paddd   xmm2, xmmword ptr [rsp+0x50]
+        paddd   xmm3, xmmword ptr [rsp+0x10]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmmword ptr [ROT16+rip]
+        pshufb  xmm15, xmm8
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp]
+        paddd   xmm1, xmmword ptr [rsp+0x20]
+        paddd   xmm2, xmmword ptr [rsp+0x80]
+        paddd   xmm3, xmmword ptr [rsp+0x60]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmmword ptr [ROT8+rip]
+        pshufb  xmm15, xmm8
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xC0]
+        paddd   xmm1, xmmword ptr [rsp+0x90]
+        paddd   xmm2, xmmword ptr [rsp+0xF0]
+        paddd   xmm3, xmmword ptr [rsp+0xE0]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmmword ptr [ROT16+rip]
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        pshufb  xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xD0]
+        paddd   xmm1, xmmword ptr [rsp+0xB0]
+        paddd   xmm2, xmmword ptr [rsp+0xA0]
+        paddd   xmm3, xmmword ptr [rsp+0x80]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmmword ptr [ROT8+rip]
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        pshufb  xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x70]
+        paddd   xmm1, xmmword ptr [rsp+0x50]
+        paddd   xmm2, xmmword ptr [rsp]
+        paddd   xmm3, xmmword ptr [rsp+0x60]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmmword ptr [ROT16+rip]
+        pshufb  xmm15, xmm8
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x20]
+        paddd   xmm1, xmmword ptr [rsp+0x30]
+        paddd   xmm2, xmmword ptr [rsp+0x10]
+        paddd   xmm3, xmmword ptr [rsp+0x40]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmmword ptr [ROT8+rip]
+        pshufb  xmm15, xmm8
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x90]
+        paddd   xmm1, xmmword ptr [rsp+0xB0]
+        paddd   xmm2, xmmword ptr [rsp+0x80]
+        paddd   xmm3, xmmword ptr [rsp+0xF0]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmmword ptr [ROT16+rip]
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        pshufb  xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xE0]
+        paddd   xmm1, xmmword ptr [rsp+0x50]
+        paddd   xmm2, xmmword ptr [rsp+0xC0]
+        paddd   xmm3, xmmword ptr [rsp+0x10]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmmword ptr [ROT8+rip]
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        pshufb  xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xD0]
+        paddd   xmm1, xmmword ptr [rsp]
+        paddd   xmm2, xmmword ptr [rsp+0x20]
+        paddd   xmm3, xmmword ptr [rsp+0x40]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmmword ptr [ROT16+rip]
+        pshufb  xmm15, xmm8
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0x30]
+        paddd   xmm1, xmmword ptr [rsp+0xA0]
+        paddd   xmm2, xmmword ptr [rsp+0x60]
+        paddd   xmm3, xmmword ptr [rsp+0x70]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmmword ptr [ROT8+rip]
+        pshufb  xmm15, xmm8
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xB0]
+        paddd   xmm1, xmmword ptr [rsp+0x50]
+        paddd   xmm2, xmmword ptr [rsp+0x10]
+        paddd   xmm3, xmmword ptr [rsp+0x80]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmmword ptr [ROT16+rip]
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        pshufb  xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xF0]
+        paddd   xmm1, xmmword ptr [rsp]
+        paddd   xmm2, xmmword ptr [rsp+0x90]
+        paddd   xmm3, xmmword ptr [rsp+0x60]
+        paddd   xmm0, xmm4
+        paddd   xmm1, xmm5
+        paddd   xmm2, xmm6
+        paddd   xmm3, xmm7
+        pxor    xmm12, xmm0
+        pxor    xmm13, xmm1
+        pxor    xmm14, xmm2
+        pxor    xmm15, xmm3
+        movdqa  xmm8, xmmword ptr [ROT8+rip]
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        pshufb  xmm15, xmm8
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm12
+        paddd   xmm9, xmm13
+        paddd   xmm10, xmm14
+        paddd   xmm11, xmm15
+        pxor    xmm4, xmm8
+        pxor    xmm5, xmm9
+        pxor    xmm6, xmm10
+        pxor    xmm7, xmm11
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xE0]
+        paddd   xmm1, xmmword ptr [rsp+0x20]
+        paddd   xmm2, xmmword ptr [rsp+0x30]
+        paddd   xmm3, xmmword ptr [rsp+0x70]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmmword ptr [ROT16+rip]
+        pshufb  xmm15, xmm8
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        movdqa  xmmword ptr [rsp+0x100], xmm8
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 12
+        pslld   xmm5, 20
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 12
+        pslld   xmm6, 20
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 12
+        pslld   xmm7, 20
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 12
+        pslld   xmm4, 20
+        por     xmm4, xmm8
+        paddd   xmm0, xmmword ptr [rsp+0xA0]
+        paddd   xmm1, xmmword ptr [rsp+0xC0]
+        paddd   xmm2, xmmword ptr [rsp+0x40]
+        paddd   xmm3, xmmword ptr [rsp+0xD0]
+        paddd   xmm0, xmm5
+        paddd   xmm1, xmm6
+        paddd   xmm2, xmm7
+        paddd   xmm3, xmm4
+        pxor    xmm15, xmm0
+        pxor    xmm12, xmm1
+        pxor    xmm13, xmm2
+        pxor    xmm14, xmm3
+        movdqa  xmm8, xmmword ptr [ROT8+rip]
+        pshufb  xmm15, xmm8
+        pshufb  xmm12, xmm8
+        pshufb  xmm13, xmm8
+        pshufb  xmm14, xmm8
+        paddd   xmm10, xmm15
+        paddd   xmm11, xmm12
+        movdqa  xmm8, xmmword ptr [rsp+0x100]
+        paddd   xmm8, xmm13
+        paddd   xmm9, xmm14
+        pxor    xmm5, xmm10
+        pxor    xmm6, xmm11
+        pxor    xmm7, xmm8
+        pxor    xmm4, xmm9
+        pxor    xmm0, xmm8
+        pxor    xmm1, xmm9
+        pxor    xmm2, xmm10
+        pxor    xmm3, xmm11
+        movdqa  xmm8, xmm5
+        psrld   xmm8, 7
+        pslld   xmm5, 25
+        por     xmm5, xmm8
+        movdqa  xmm8, xmm6
+        psrld   xmm8, 7
+        pslld   xmm6, 25
+        por     xmm6, xmm8
+        movdqa  xmm8, xmm7
+        psrld   xmm8, 7
+        pslld   xmm7, 25
+        por     xmm7, xmm8
+        movdqa  xmm8, xmm4
+        psrld   xmm8, 7
+        pslld   xmm4, 25
+        por     xmm4, xmm8
+        pxor    xmm4, xmm12
+        pxor    xmm5, xmm13
+        pxor    xmm6, xmm14
+        pxor    xmm7, xmm15
+        mov     eax, r13d
+        jne     9b
+        movdqa  xmm9, xmm0
+        punpckldq xmm0, xmm1
+        punpckhdq xmm9, xmm1
+        movdqa  xmm11, xmm2
+        punpckldq xmm2, xmm3
+        punpckhdq xmm11, xmm3
+        movdqa  xmm1, xmm0
+        punpcklqdq xmm0, xmm2
+        punpckhqdq xmm1, xmm2
+        movdqa  xmm3, xmm9
+        punpcklqdq xmm9, xmm11
+        punpckhqdq xmm3, xmm11
+        movdqu  xmmword ptr [rbx], xmm0
+        movdqu  xmmword ptr [rbx+0x20], xmm1
+        movdqu  xmmword ptr [rbx+0x40], xmm9
+        movdqu  xmmword ptr [rbx+0x60], xmm3
+        movdqa  xmm9, xmm4
+        punpckldq xmm4, xmm5
+        punpckhdq xmm9, xmm5
+        movdqa  xmm11, xmm6
+        punpckldq xmm6, xmm7
+        punpckhdq xmm11, xmm7
+        movdqa  xmm5, xmm4
+        punpcklqdq xmm4, xmm6
+        punpckhqdq xmm5, xmm6
+        movdqa  xmm7, xmm9
+        punpcklqdq xmm9, xmm11
+        punpckhqdq xmm7, xmm11
+        movdqu  xmmword ptr [rbx+0x10], xmm4
+        movdqu  xmmword ptr [rbx+0x30], xmm5
+        movdqu  xmmword ptr [rbx+0x50], xmm9
+        movdqu  xmmword ptr [rbx+0x70], xmm7
+        movdqa  xmm1, xmmword ptr [rsp+0x110]
+        movdqa  xmm0, xmm1
+        paddd   xmm1, xmmword ptr [rsp+0x150]
+        movdqa  xmmword ptr [rsp+0x110], xmm1
+        pxor    xmm0, xmmword ptr [CMP_MSB_MASK+rip]
+        pxor    xmm1, xmmword ptr [CMP_MSB_MASK+rip]
+        pcmpgtd xmm0, xmm1
+        movdqa  xmm1, xmmword ptr [rsp+0x120]
+        psubd   xmm1, xmm0
+        movdqa  xmmword ptr [rsp+0x120], xmm1
+        add     rbx, 128
+        add     rdi, 32
+        sub     rsi, 4
+        cmp     rsi, 4
+        jnc     2b
+        test    rsi, rsi
+        jne     3f
+4:
+        movdqa  xmm6, xmmword ptr [rsp+0x170]
+        movdqa  xmm7, xmmword ptr [rsp+0x180]
+        movdqa  xmm8, xmmword ptr [rsp+0x190]
+        movdqa  xmm9, xmmword ptr [rsp+0x1A0]
+        movdqa  xmm10, xmmword ptr [rsp+0x1B0]
+        movdqa  xmm11, xmmword ptr [rsp+0x1C0]
+        movdqa  xmm12, xmmword ptr [rsp+0x1D0]
+        movdqa  xmm13, xmmword ptr [rsp+0x1E0]
+        movdqa  xmm14, xmmword ptr [rsp+0x1F0]
+        movdqa  xmm15, xmmword ptr [rsp+0x200]
+        mov     rsp, rbp
+        pop     rbp
+        pop     rbx
+        pop     rdi
+        pop     rsi
+        pop     r12
+        pop     r13
+        pop     r14
+        pop     r15
+        ret
+.p2align 5
+3:
+        test    esi, 0x2
+        je      3f
+        movups  xmm0, xmmword ptr [rcx]
+        movups  xmm1, xmmword ptr [rcx+0x10]
+        movaps  xmm8, xmm0
+        movaps  xmm9, xmm1
+        movd    xmm13, dword ptr [rsp+0x110]
+        pinsrd  xmm13, dword ptr [rsp+0x120], 1
+        pinsrd  xmm13, dword ptr [BLAKE3_BLOCK_LEN+rip], 2
+        movaps  xmmword ptr [rsp], xmm13
+        movd    xmm14, dword ptr [rsp+0x114]
+        pinsrd  xmm14, dword ptr [rsp+0x124], 1
+        pinsrd  xmm14, dword ptr [BLAKE3_BLOCK_LEN+rip], 2
+        movaps  xmmword ptr [rsp+0x10], xmm14
+        mov     r8, qword ptr [rdi]
+        mov     r9, qword ptr [rdi+0x8]
+        movzx   eax, byte ptr [rbp+0x80]
+        or      eax, r13d
+        xor     edx, edx
+2:
+        mov     r14d, eax
+        or      eax, r12d
+        add     rdx, 64
+        cmp     rdx, r15
+        cmovne  eax, r14d
+        movaps  xmm2, xmmword ptr [BLAKE3_IV+rip]
+        movaps  xmm10, xmm2
+        movups  xmm4, xmmword ptr [r8+rdx-0x40]
+        movups  xmm5, xmmword ptr [r8+rdx-0x30]
+        movaps  xmm3, xmm4
+        shufps  xmm4, xmm5, 136
+        shufps  xmm3, xmm5, 221
+        movaps  xmm5, xmm3
+        movups  xmm6, xmmword ptr [r8+rdx-0x20]
+        movups  xmm7, xmmword ptr [r8+rdx-0x10]
+        movaps  xmm3, xmm6
+        shufps  xmm6, xmm7, 136
+        pshufd  xmm6, xmm6, 0x93
+        shufps  xmm3, xmm7, 221
+        pshufd  xmm7, xmm3, 0x93
+        movups  xmm12, xmmword ptr [r9+rdx-0x40]
+        movups  xmm13, xmmword ptr [r9+rdx-0x30]
+        movaps  xmm11, xmm12
+        shufps  xmm12, xmm13, 136
+        shufps  xmm11, xmm13, 221
+        movaps  xmm13, xmm11
+        movups  xmm14, xmmword ptr [r9+rdx-0x20]
+        movups  xmm15, xmmword ptr [r9+rdx-0x10]
+        movaps  xmm11, xmm14
+        shufps  xmm14, xmm15, 136
+        pshufd  xmm14, xmm14, 0x93
+        shufps  xmm11, xmm15, 221
+        pshufd  xmm15, xmm11, 0x93
+        movaps  xmm3, xmmword ptr [rsp]
+        movaps  xmm11, xmmword ptr [rsp+0x10]
+        pinsrd  xmm3, eax, 3
+        pinsrd  xmm11, eax, 3
+        mov     al, 7
+9:
+        paddd   xmm0, xmm4
+        paddd   xmm8, xmm12
+        movaps  xmmword ptr [rsp+0x20], xmm4
+        movaps  xmmword ptr [rsp+0x30], xmm12
+        paddd   xmm0, xmm1
+        paddd   xmm8, xmm9
+        pxor    xmm3, xmm0
+        pxor    xmm11, xmm8
+        movaps  xmm12, xmmword ptr [ROT16+rip]
+        pshufb  xmm3, xmm12
+        pshufb  xmm11, xmm12
+        paddd   xmm2, xmm3
+        paddd   xmm10, xmm11
+        pxor    xmm1, xmm2
+        pxor    xmm9, xmm10
+        movdqa  xmm4, xmm1
+        pslld   xmm1, 20
+        psrld   xmm4, 12
+        por     xmm1, xmm4
+        movdqa  xmm4, xmm9
+        pslld   xmm9, 20
+        psrld   xmm4, 12
+        por     xmm9, xmm4
+        paddd   xmm0, xmm5
+        paddd   xmm8, xmm13
+        movaps  xmmword ptr [rsp+0x40], xmm5
+        movaps  xmmword ptr [rsp+0x50], xmm13
+        paddd   xmm0, xmm1
+        paddd   xmm8, xmm9
+        pxor    xmm3, xmm0
+        pxor    xmm11, xmm8
+        movaps  xmm13, xmmword ptr [ROT8+rip]
+        pshufb  xmm3, xmm13
+        pshufb  xmm11, xmm13
+        paddd   xmm2, xmm3
+        paddd   xmm10, xmm11
+        pxor    xmm1, xmm2
+        pxor    xmm9, xmm10
+        movdqa  xmm4, xmm1
+        pslld   xmm1, 25
+        psrld   xmm4, 7
+        por     xmm1, xmm4
+        movdqa  xmm4, xmm9
+        pslld   xmm9, 25
+        psrld   xmm4, 7
+        por     xmm9, xmm4
+        pshufd  xmm0, xmm0, 0x93
+        pshufd  xmm8, xmm8, 0x93
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm11, xmm11, 0x4E
+        pshufd  xmm2, xmm2, 0x39
+        pshufd  xmm10, xmm10, 0x39
+        paddd   xmm0, xmm6
+        paddd   xmm8, xmm14
+        paddd   xmm0, xmm1
+        paddd   xmm8, xmm9
+        pxor    xmm3, xmm0
+        pxor    xmm11, xmm8
+        pshufb  xmm3, xmm12
+        pshufb  xmm11, xmm12
+        paddd   xmm2, xmm3
+        paddd   xmm10, xmm11
+        pxor    xmm1, xmm2
+        pxor    xmm9, xmm10
+        movdqa  xmm4, xmm1
+        pslld   xmm1, 20
+        psrld   xmm4, 12
+        por     xmm1, xmm4
+        movdqa  xmm4, xmm9
+        pslld   xmm9, 20
+        psrld   xmm4, 12
+        por     xmm9, xmm4
+        paddd   xmm0, xmm7
+        paddd   xmm8, xmm15
+        paddd   xmm0, xmm1
+        paddd   xmm8, xmm9
+        pxor    xmm3, xmm0
+        pxor    xmm11, xmm8
+        pshufb  xmm3, xmm13
+        pshufb  xmm11, xmm13
+        paddd   xmm2, xmm3
+        paddd   xmm10, xmm11
+        pxor    xmm1, xmm2
+        pxor    xmm9, xmm10
+        movdqa  xmm4, xmm1
+        pslld   xmm1, 25
+        psrld   xmm4, 7
+        por     xmm1, xmm4
+        movdqa  xmm4, xmm9
+        pslld   xmm9, 25
+        psrld   xmm4, 7
+        por     xmm9, xmm4
+        pshufd  xmm0, xmm0, 0x39
+        pshufd  xmm8, xmm8, 0x39
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm11, xmm11, 0x4E
+        pshufd  xmm2, xmm2, 0x93
+        pshufd  xmm10, xmm10, 0x93
+        dec     al
+        je      9f
+        movdqa  xmm12, xmmword ptr [rsp+0x20]
+        movdqa  xmm5, xmmword ptr [rsp+0x40]
+        pshufd  xmm13, xmm12, 0x0F
+        shufps  xmm12, xmm5, 214
+        pshufd  xmm4, xmm12, 0x39
+        movdqa  xmm12, xmm6
+        shufps  xmm12, xmm7, 250
+        pblendw xmm13, xmm12, 0xCC
+        movdqa  xmm12, xmm7
+        punpcklqdq xmm12, xmm5
+        pblendw xmm12, xmm6, 0xC0
+        pshufd  xmm12, xmm12, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd  xmm7, xmm6, 0x1E
+        movdqa  xmmword ptr [rsp+0x20], xmm13
+        movdqa  xmmword ptr [rsp+0x40], xmm12
+        movdqa  xmm5, xmmword ptr [rsp+0x30]
+        movdqa  xmm13, xmmword ptr [rsp+0x50]
+        pshufd  xmm6, xmm5, 0x0F
+        shufps  xmm5, xmm13, 214
+        pshufd  xmm12, xmm5, 0x39
+        movdqa  xmm5, xmm14
+        shufps  xmm5, xmm15, 250
+        pblendw xmm6, xmm5, 0xCC
+        movdqa  xmm5, xmm15
+        punpcklqdq xmm5, xmm13
+        pblendw xmm5, xmm14, 0xC0
+        pshufd  xmm5, xmm5, 0x78
+        punpckhdq xmm13, xmm15
+        punpckldq xmm14, xmm13
+        pshufd  xmm15, xmm14, 0x1E
+        movdqa  xmm13, xmm6
+        movdqa  xmm14, xmm5
+        movdqa  xmm5, xmmword ptr [rsp+0x20]
+        movdqa  xmm6, xmmword ptr [rsp+0x40]
+        jmp     9b
+9:
+        pxor    xmm0, xmm2
+        pxor    xmm1, xmm3
+        pxor    xmm8, xmm10
+        pxor    xmm9, xmm11
+        mov     eax, r13d
+        cmp     rdx, r15
+        jne     2b
+        movups  xmmword ptr [rbx], xmm0
+        movups  xmmword ptr [rbx+0x10], xmm1
+        movups  xmmword ptr [rbx+0x20], xmm8
+        movups  xmmword ptr [rbx+0x30], xmm9
+        movdqa  xmm0, xmmword ptr [rsp+0x130]
+        movdqa  xmm1, xmmword ptr [rsp+0x110]
+        movdqa  xmm2, xmmword ptr [rsp+0x120]
+        movdqu  xmm3, xmmword ptr [rsp+0x118]
+        movdqu  xmm4, xmmword ptr [rsp+0x128]
+        blendvps xmm1, xmm3, xmm0
+        blendvps xmm2, xmm4, xmm0
+        movdqa  xmmword ptr [rsp+0x110], xmm1
+        movdqa  xmmword ptr [rsp+0x120], xmm2
+        add     rdi, 16
+        add     rbx, 64
+        sub     rsi, 2
+3:
+        test    esi, 0x1
+        je      4b
+        movups  xmm0, xmmword ptr [rcx]
+        movups  xmm1, xmmword ptr [rcx+0x10]
+        movd    xmm13, dword ptr [rsp+0x110]
+        pinsrd  xmm13, dword ptr [rsp+0x120], 1
+        pinsrd  xmm13, dword ptr [BLAKE3_BLOCK_LEN+rip], 2
+        movaps  xmm14, xmmword ptr [ROT8+rip]
+        movaps  xmm15, xmmword ptr [ROT16+rip]
+        mov     r8, qword ptr [rdi]
+        movzx   eax, byte ptr [rbp+0x80]
+        or      eax, r13d
+        xor     edx, edx
+2:
+        mov     r14d, eax
+        or      eax, r12d
+        add     rdx, 64
+        cmp     rdx, r15
+        cmovne  eax, r14d
+        movaps  xmm2, xmmword ptr [BLAKE3_IV+rip]
+        movaps  xmm3, xmm13
+        pinsrd  xmm3, eax, 3
+        movups  xmm4, xmmword ptr [r8+rdx-0x40]
+        movups  xmm5, xmmword ptr [r8+rdx-0x30]
+        movaps  xmm8, xmm4
+        shufps  xmm4, xmm5, 136
+        shufps  xmm8, xmm5, 221
+        movaps  xmm5, xmm8
+        movups  xmm6, xmmword ptr [r8+rdx-0x20]
+        movups  xmm7, xmmword ptr [r8+rdx-0x10]
+        movaps  xmm8, xmm6
+        shufps  xmm6, xmm7, 136
+        pshufd  xmm6, xmm6, 0x93
+        shufps  xmm8, xmm7, 221
+        pshufd  xmm7, xmm8, 0x93
+        mov     al, 7
+9:
+        paddd   xmm0, xmm4
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshufb  xmm3, xmm15
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 20
+        psrld   xmm11, 12
+        por     xmm1, xmm11
+        paddd   xmm0, xmm5
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshufb  xmm3, xmm14
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 25
+        psrld   xmm11, 7
+        por     xmm1, xmm11
+        pshufd  xmm0, xmm0, 0x93
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm2, xmm2, 0x39
+        paddd   xmm0, xmm6
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshufb  xmm3, xmm15
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 20
+        psrld   xmm11, 12
+        por     xmm1, xmm11
+        paddd   xmm0, xmm7
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshufb  xmm3, xmm14
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 25
+        psrld   xmm11, 7
+        por     xmm1, xmm11
+        pshufd  xmm0, xmm0, 0x39
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm2, xmm2, 0x93
+        dec     al
+        jz      9f
+        movdqa  xmm8, xmm4
+        shufps  xmm8, xmm5, 214
+        pshufd  xmm9, xmm4, 0x0F
+        pshufd  xmm4, xmm8, 0x39
+        movdqa  xmm8, xmm6
+        shufps  xmm8, xmm7, 250
+        pblendw xmm9, xmm8, 0xCC
+        movdqa  xmm8, xmm7
+        punpcklqdq xmm8, xmm5
+        pblendw xmm8, xmm6, 0xC0
+        pshufd  xmm8, xmm8, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd  xmm7, xmm6, 0x1E
+        movdqa  xmm5, xmm9
+        movdqa  xmm6, xmm8
+        jmp     9b
+9:
+        pxor    xmm0, xmm2
+        pxor    xmm1, xmm3
+        mov     eax, r13d
+        cmp     rdx, r15
+        jne     2b
+        movups  xmmword ptr [rbx], xmm0
+        movups  xmmword ptr [rbx+0x10], xmm1
+        jmp     4b
+
+.p2align 6
+blake3_compress_in_place_sse41:
+_blake3_compress_in_place_sse41:
+        sub     rsp, 120
+        movdqa  xmmword ptr [rsp], xmm6
+        movdqa  xmmword ptr [rsp+0x10], xmm7
+        movdqa  xmmword ptr [rsp+0x20], xmm8
+        movdqa  xmmword ptr [rsp+0x30], xmm9
+        movdqa  xmmword ptr [rsp+0x40], xmm11
+        movdqa  xmmword ptr [rsp+0x50], xmm14
+        movdqa  xmmword ptr [rsp+0x60], xmm15
+        movups  xmm0, xmmword ptr [rcx]
+        movups  xmm1, xmmword ptr [rcx+0x10]
+        movaps  xmm2, xmmword ptr [BLAKE3_IV+rip]
+        movzx   eax, byte ptr [rsp+0xA0]
+        movzx   r8d, r8b
+        shl     rax, 32
+        add     r8, rax
+        movq    xmm3, r9
+        movq    xmm4, r8
+        punpcklqdq xmm3, xmm4
+        movups  xmm4, xmmword ptr [rdx]
+        movups  xmm5, xmmword ptr [rdx+0x10]
+        movaps  xmm8, xmm4
+        shufps  xmm4, xmm5, 136
+        shufps  xmm8, xmm5, 221
+        movaps  xmm5, xmm8
+        movups  xmm6, xmmword ptr [rdx+0x20]
+        movups  xmm7, xmmword ptr [rdx+0x30]
+        movaps  xmm8, xmm6
+        shufps  xmm6, xmm7, 136
+        pshufd  xmm6, xmm6, 0x93
+        shufps  xmm8, xmm7, 221
+        pshufd  xmm7, xmm8, 0x93
+        movaps  xmm14, xmmword ptr [ROT8+rip]
+        movaps  xmm15, xmmword ptr [ROT16+rip]
+        mov     al, 7
+9:
+        paddd   xmm0, xmm4
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshufb  xmm3, xmm15
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 20
+        psrld   xmm11, 12
+        por     xmm1, xmm11
+        paddd   xmm0, xmm5
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshufb  xmm3, xmm14
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 25
+        psrld   xmm11, 7
+        por     xmm1, xmm11
+        pshufd  xmm0, xmm0, 0x93
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm2, xmm2, 0x39
+        paddd   xmm0, xmm6
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshufb  xmm3, xmm15
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 20
+        psrld   xmm11, 12
+        por     xmm1, xmm11
+        paddd   xmm0, xmm7
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshufb  xmm3, xmm14
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 25
+        psrld   xmm11, 7
+        por     xmm1, xmm11
+        pshufd  xmm0, xmm0, 0x39
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm2, xmm2, 0x93
+        dec     al
+        jz      9f
+        movdqa  xmm8, xmm4
+        shufps  xmm8, xmm5, 214
+        pshufd  xmm9, xmm4, 0x0F
+        pshufd  xmm4, xmm8, 0x39
+        movdqa  xmm8, xmm6
+        shufps  xmm8, xmm7, 250
+        pblendw xmm9, xmm8, 0xCC
+        movdqa  xmm8, xmm7
+        punpcklqdq xmm8, xmm5
+        pblendw xmm8, xmm6, 0xC0
+        pshufd  xmm8, xmm8, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd  xmm7, xmm6, 0x1E
+        movdqa  xmm5, xmm9
+        movdqa  xmm6, xmm8
+        jmp     9b
+9:
+        pxor    xmm0, xmm2
+        pxor    xmm1, xmm3
+        movups  xmmword ptr [rcx], xmm0
+        movups  xmmword ptr [rcx+0x10], xmm1
+        movdqa  xmm6, xmmword ptr [rsp]
+        movdqa  xmm7, xmmword ptr [rsp+0x10]
+        movdqa  xmm8, xmmword ptr [rsp+0x20]
+        movdqa  xmm9, xmmword ptr [rsp+0x30]
+        movdqa  xmm11, xmmword ptr [rsp+0x40]
+        movdqa  xmm14, xmmword ptr [rsp+0x50]
+        movdqa  xmm15, xmmword ptr [rsp+0x60]
+        add     rsp, 120
+        ret
+
+
+.p2align 6
+_blake3_compress_xof_sse41:
+blake3_compress_xof_sse41:
+        sub     rsp, 120
+        movdqa  xmmword ptr [rsp], xmm6
+        movdqa  xmmword ptr [rsp+0x10], xmm7
+        movdqa  xmmword ptr [rsp+0x20], xmm8
+        movdqa  xmmword ptr [rsp+0x30], xmm9
+        movdqa  xmmword ptr [rsp+0x40], xmm11
+        movdqa  xmmword ptr [rsp+0x50], xmm14
+        movdqa  xmmword ptr [rsp+0x60], xmm15
+        movups  xmm0, xmmword ptr [rcx]
+        movups  xmm1, xmmword ptr [rcx+0x10]
+        movaps  xmm2, xmmword ptr [BLAKE3_IV+rip]
+        movzx   eax, byte ptr [rsp+0xA0]
+        movzx   r8d, r8b
+        mov     r10, qword ptr [rsp+0xA8]
+        shl     rax, 32
+        add     r8, rax
+        movq    xmm3, r9
+        movq    xmm4, r8
+        punpcklqdq xmm3, xmm4
+        movups  xmm4, xmmword ptr [rdx]
+        movups  xmm5, xmmword ptr [rdx+0x10]
+        movaps  xmm8, xmm4
+        shufps  xmm4, xmm5, 136
+        shufps  xmm8, xmm5, 221
+        movaps  xmm5, xmm8
+        movups  xmm6, xmmword ptr [rdx+0x20]
+        movups  xmm7, xmmword ptr [rdx+0x30]
+        movaps  xmm8, xmm6
+        shufps  xmm6, xmm7, 136
+        pshufd  xmm6, xmm6, 0x93
+        shufps  xmm8, xmm7, 221
+        pshufd  xmm7, xmm8, 0x93
+        movaps  xmm14, xmmword ptr [ROT8+rip]
+        movaps  xmm15, xmmword ptr [ROT16+rip]
+        mov     al, 7
+9:
+        paddd   xmm0, xmm4
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshufb  xmm3, xmm15
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 20
+        psrld   xmm11, 12
+        por     xmm1, xmm11
+        paddd   xmm0, xmm5
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshufb  xmm3, xmm14
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 25
+        psrld   xmm11, 7
+        por     xmm1, xmm11
+        pshufd  xmm0, xmm0, 0x93
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm2, xmm2, 0x39
+        paddd   xmm0, xmm6
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshufb  xmm3, xmm15
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 20
+        psrld   xmm11, 12
+        por     xmm1, xmm11
+        paddd   xmm0, xmm7
+        paddd   xmm0, xmm1
+        pxor    xmm3, xmm0
+        pshufb  xmm3, xmm14
+        paddd   xmm2, xmm3
+        pxor    xmm1, xmm2
+        movdqa  xmm11, xmm1
+        pslld   xmm1, 25
+        psrld   xmm11, 7
+        por     xmm1, xmm11
+        pshufd  xmm0, xmm0, 0x39
+        pshufd  xmm3, xmm3, 0x4E
+        pshufd  xmm2, xmm2, 0x93
+        dec     al
+        jz      9f
+        movdqa  xmm8, xmm4
+        shufps  xmm8, xmm5, 214
+        pshufd  xmm9, xmm4, 0x0F
+        pshufd  xmm4, xmm8, 0x39
+        movdqa  xmm8, xmm6
+        shufps  xmm8, xmm7, 250
+        pblendw xmm9, xmm8, 0xCC
+        movdqa  xmm8, xmm7
+        punpcklqdq xmm8, xmm5
+        pblendw xmm8, xmm6, 0xC0
+        pshufd  xmm8, xmm8, 0x78
+        punpckhdq xmm5, xmm7
+        punpckldq xmm6, xmm5
+        pshufd  xmm7, xmm6, 0x1E
+        movdqa  xmm5, xmm9
+        movdqa  xmm6, xmm8
+        jmp     9b
+9:
+        movdqu  xmm4, xmmword ptr [rcx]
+        movdqu  xmm5, xmmword ptr [rcx+0x10]
+        pxor    xmm0, xmm2
+        pxor    xmm1, xmm3
+        pxor    xmm2, xmm4
+        pxor    xmm3, xmm5
+        movups  xmmword ptr [r10], xmm0
+        movups  xmmword ptr [r10+0x10], xmm1
+        movups  xmmword ptr [r10+0x20], xmm2
+        movups  xmmword ptr [r10+0x30], xmm3
+        movdqa  xmm6, xmmword ptr [rsp]
+        movdqa  xmm7, xmmword ptr [rsp+0x10]
+        movdqa  xmm8, xmmword ptr [rsp+0x20]
+        movdqa  xmm9, xmmword ptr [rsp+0x30]
+        movdqa  xmm11, xmmword ptr [rsp+0x40]
+        movdqa  xmm14, xmmword ptr [rsp+0x50]
+        movdqa  xmm15, xmmword ptr [rsp+0x60]
+        add     rsp, 120
+        ret
+
+
+.section .rdata
+.p2align  6
+BLAKE3_IV:
+        .long  0x6A09E667, 0xBB67AE85
+        .long  0x3C6EF372, 0xA54FF53A
+ROT16:
+        .byte  2, 3, 0, 1, 6, 7, 4, 5, 10, 11, 8, 9, 14, 15, 12, 13
+ROT8:
+        .byte  1, 2, 3, 0, 5, 6, 7, 4, 9, 10, 11, 8, 13, 14, 15, 12
+ADD0:   
+        .long  0, 1, 2, 3
+ADD1:
+        .long  4, 4, 4, 4
+BLAKE3_IV_0:
+        .long  0x6A09E667, 0x6A09E667, 0x6A09E667, 0x6A09E667
+BLAKE3_IV_1:
+        .long  0xBB67AE85, 0xBB67AE85, 0xBB67AE85, 0xBB67AE85
+BLAKE3_IV_2:
+        .long  0x3C6EF372, 0x3C6EF372, 0x3C6EF372, 0x3C6EF372
+BLAKE3_IV_3:
+        .long  0xA54FF53A, 0xA54FF53A, 0xA54FF53A, 0xA54FF53A
+BLAKE3_BLOCK_LEN:
+        .long  64, 64, 64, 64
+CMP_MSB_MASK:
+        .long  0x80000000, 0x80000000, 0x80000000, 0x80000000
diff --git a/ext/blake3-smol/src/ffi.rs b/ext/blake3-smol/src/ffi.rs
new file mode 100644 (file)
index 0000000..156730f
--- /dev/null
@@ -0,0 +1,138 @@
+
+#[allow(dead_code)]
+extern "C" {
+    pub fn blake3_compress_in_place_avx512(
+        cv: *mut u32,
+        block: *const u8,
+        block_len: u8,
+        counter: u64,
+        flags: u8,
+    );
+
+    pub fn blake3_compress_xof_avx512(
+        cv: *const u32,
+        block: *const u8,
+        block_len: u8,
+        counter: u64,
+        flags: u8,
+        out: *mut u8,
+    );
+
+    pub fn blake3_hash_many_avx512(
+        inputs: *const *const u8,
+        num_inputs: usize,
+        blocks: usize,
+        key: *const u32,
+        counter: u64,
+        increment_counter: bool,
+        flags: u8,
+        flags_start: u8,
+        flags_end: u8,
+        out: *mut u8,
+    );
+
+    pub fn blake3_hash_many_avx2(
+        inputs: *const *const u8,
+        num_inputs: usize,
+        blocks: usize,
+        key: *const u32,
+        counter: u64,
+        increment_counter: bool,
+        flags: u8,
+        flags_start: u8,
+        flags_end: u8,
+        out: *mut u8,
+    );
+
+    pub fn blake3_compress_in_place_sse41(
+        cv: *mut u32,
+        block: *const u8,
+        block_len: u8,
+        counter: u64,
+        flags: u8,
+    );
+
+    pub fn blake3_compress_xof_sse41(
+        cv: *const u32,
+        block: *const u8,
+        block_len: u8,
+        counter: u64,
+        flags: u8,
+        out: *mut u8,
+    );
+
+    pub fn blake3_hash_many_sse41(
+        inputs: *const *const u8,
+        num_inputs: usize,
+        blocks: usize,
+        key: *const u32,
+        counter: u64,
+        increment_counter: bool,
+        flags: u8,
+        flags_start: u8,
+        flags_end: u8,
+        out: *mut u8,
+    );
+
+    pub fn blake3_compress_in_place_sse2(
+        cv: *mut u32,
+        block: *const u8,
+        block_len: u8,
+        counter: u64,
+        flags: u8,
+    );
+
+    pub fn blake3_compress_xof_sse2(
+        cv: *const u32,
+        block: *const u8,
+        block_len: u8,
+        counter: u64,
+        flags: u8,
+        out: *mut u8,
+    );
+
+    pub fn blake3_hash_many_sse2(
+        inputs: *const *const u8,
+        num_inputs: usize,
+        blocks: usize,
+        key: *const u32,
+        counter: u64,
+        increment_counter: bool,
+        flags: u8,
+        flags_start: u8,
+        flags_end: u8,
+        out: *mut u8,
+    );
+}
+
+mod avx512 {
+    use std::arch::global_asm;
+    #[cfg(target_family = "unix")]
+    global_asm!(include_str!("asm/blake3_avx512_x86-64_unix.S"));
+    #[cfg(target_family = "windows")]
+    global_asm!(include_str!("asm/blake3_avx512_x86-64_windows_gnu.S"));
+}
+
+mod avx2 {
+    use std::arch::global_asm;
+    #[cfg(target_family = "unix")]
+    global_asm!(include_str!("asm/blake3_avx2_x86-64_unix.S"));
+    #[cfg(target_family = "windows")]
+    global_asm!(include_str!("asm/blake3_avx2_x86-64_windows_gnu.S"));
+}
+
+mod sse41 {
+    use std::arch::global_asm;
+    #[cfg(target_family = "unix")]
+    global_asm!(include_str!("asm/blake3_sse41_x86-64_unix.S"));
+    #[cfg(target_family = "windows")]
+    global_asm!(include_str!("asm/blake3_sse41_x86-64_windows_gnu.S"));
+}
+
+mod sse2 {
+    use std::arch::global_asm;
+    #[cfg(target_family = "unix")]
+    global_asm!(include_str!("asm/blake3_sse2_x86-64_unix.S"));
+    #[cfg(target_family = "windows")]
+    global_asm!(include_str!("asm/blake3_sse2_x86-64_windows_gnu.S"));
+}
diff --git a/ext/blake3-smol/src/guts.rs b/ext/blake3-smol/src/guts.rs
new file mode 100644 (file)
index 0000000..ecde326
--- /dev/null
@@ -0,0 +1,101 @@
+//! This undocumented and unstable module is for use cases like the `bao` crate,
+//! which need to traverse the BLAKE3 Merkle tree and work with chunk and parent
+//! chaining values directly. There might be breaking changes to this module
+//! between patch versions.
+//!
+//! We could stabilize something like this module in the future. If you have a
+//! use case for it, please let us know by filing a GitHub issue.
+
+pub const BLOCK_LEN: usize = 64;
+pub const CHUNK_LEN: usize = 1024;
+
+#[derive(Clone, Debug)]
+pub struct ChunkState(crate::ChunkState);
+
+impl ChunkState {
+    // Currently this type only supports the regular hash mode. If an
+    // incremental user needs keyed_hash or derive_key, we can add that.
+    pub fn new(chunk_counter: u64) -> Self {
+        Self(crate::ChunkState::new(
+            crate::IV,
+            chunk_counter,
+            0,
+            crate::platform::Platform::detect(),
+        ))
+    }
+
+    #[inline]
+    pub fn len(&self) -> usize {
+        self.0.len()
+    }
+
+    #[inline]
+    pub fn update(&mut self, input: &[u8]) -> &mut Self {
+        self.0.update(input);
+        self
+    }
+
+    pub fn finalize(&self, is_root: bool) -> crate::Hash {
+        let output = self.0.output();
+        if is_root {
+            output.root_hash()
+        } else {
+            output.chaining_value().into()
+        }
+    }
+}
+
+// As above, this currently assumes the regular hash mode. If an incremental
+// user needs keyed_hash or derive_key, we can add that.
+pub fn parent_cv(
+    left_child: &crate::Hash,
+    right_child: &crate::Hash,
+    is_root: bool,
+) -> crate::Hash {
+    let output = crate::parent_node_output(
+        left_child.as_bytes(),
+        right_child.as_bytes(),
+        crate::IV,
+        0,
+        crate::platform::Platform::detect(),
+    );
+    if is_root {
+        output.root_hash()
+    } else {
+        output.chaining_value().into()
+    }
+}
+
+#[cfg(test)]
+mod test {
+    use super::*;
+
+    #[test]
+    fn test_chunk() {
+        assert_eq!(
+            crate::hash(b"foo"),
+            ChunkState::new(0).update(b"foo").finalize(true)
+        );
+    }
+
+    #[test]
+    fn test_parents() {
+        let mut hasher = crate::Hasher::new();
+        let mut buf = [0; crate::CHUNK_LEN];
+
+        buf[0] = 'a' as u8;
+        hasher.update(&buf);
+        let chunk0_cv = ChunkState::new(0).update(&buf).finalize(false);
+
+        buf[0] = 'b' as u8;
+        hasher.update(&buf);
+        let chunk1_cv = ChunkState::new(1).update(&buf).finalize(false);
+
+        hasher.update(b"c");
+        let chunk2_cv = ChunkState::new(2).update(b"c").finalize(false);
+
+        let parent = parent_cv(&chunk0_cv, &chunk1_cv, false);
+        let root = parent_cv(&parent, &chunk2_cv, true);
+        assert_eq!(hasher.finalize(), root);
+    }
+}
diff --git a/ext/blake3-smol/src/join.rs b/ext/blake3-smol/src/join.rs
new file mode 100644 (file)
index 0000000..aa17159
--- /dev/null
@@ -0,0 +1,62 @@
+//! The multi-threading abstractions used by `Hasher::update_with_join`.
+//!
+//! Different implementations of the `Join` trait determine whether
+//! `Hasher::update_with_join` performs multi-threading on sufficiently large
+//! inputs. The `SerialJoin` implementation is single-threaded, and the
+//! `RayonJoin` implementation (gated by the `rayon` feature) is multi-threaded.
+//! Interfaces other than `Hasher::update_with_join`, like [`hash`](crate::hash)
+//! and [`Hasher::update`](crate::Hasher::update), always use `SerialJoin`
+//! internally.
+//!
+//! The `Join` trait is an almost exact copy of the [`rayon::join`] API, and
+//! `RayonJoin` is the only non-trivial implementation. Previously this trait
+//! was public, but currently it's been re-privatized, as it's both 1) of no
+//! value to most callers and 2) a pretty big implementation detail to commit
+//! to.
+//!
+//! [`rayon::join`]: https://docs.rs/rayon/1.3.0/rayon/fn.join.html
+
+/// The trait that abstracts over single-threaded and multi-threaded recursion.
+///
+/// See the [`join` module docs](index.html) for more details.
+pub trait Join {
+    fn join<A, B, RA, RB>(oper_a: A, oper_b: B) -> (RA, RB)
+    where
+        A: FnOnce() -> RA + Send,
+        B: FnOnce() -> RB + Send,
+        RA: Send,
+        RB: Send;
+}
+
+/// The trivial, serial implementation of `Join`. The left and right sides are
+/// executed one after the other, on the calling thread. The standalone hashing
+/// functions and the `Hasher::update` method use this implementation
+/// internally.
+///
+/// See the [`join` module docs](index.html) for more details.
+pub enum SerialJoin {}
+
+impl Join for SerialJoin {
+    #[inline]
+    fn join<A, B, RA, RB>(oper_a: A, oper_b: B) -> (RA, RB)
+    where
+        A: FnOnce() -> RA + Send,
+        B: FnOnce() -> RB + Send,
+        RA: Send,
+        RB: Send,
+    {
+        (oper_a(), oper_b())
+    }
+}
+
+#[cfg(test)]
+mod test {
+    use super::*;
+
+    #[test]
+    fn test_serial_join() {
+        let oper_a = || 1 + 1;
+        let oper_b = || 2 + 2;
+        assert_eq!((2, 4), SerialJoin::join(oper_a, oper_b));
+    }
+}
diff --git a/ext/blake3-smol/src/lib.rs b/ext/blake3-smol/src/lib.rs
new file mode 100644 (file)
index 0000000..c1b037f
--- /dev/null
@@ -0,0 +1,1316 @@
+use core::fmt;
+use std::{mem::MaybeUninit, ops};
+
+mod ffi;
+
+#[cfg(test)]
+mod test;
+
+#[cfg(test)]
+mod reference;
+
+#[doc(hidden)]
+pub mod platform;
+
+// The guts module is for incremental use cases like the `bao` crate that need
+// to explicitly compute chunk and parent chaining values. It is semi-stable
+// and likely to keep working, but largely undocumented and not intended for
+// widespread use.
+#[doc(hidden)]
+pub mod guts;
+
+mod join;
+pub mod portable;
+mod slice;
+
+use platform::{Platform, MAX_SIMD_DEGREE, MAX_SIMD_DEGREE_OR_2};
+
+/// The number of bytes in a [`Hash`](struct.Hash.html), 32.
+pub const OUT_LEN: usize = 32;
+
+/// The number of bytes in a key, 32.
+pub const KEY_LEN: usize = 32;
+
+const MAX_DEPTH: usize = 54; // 2^54 * CHUNK_LEN = 2^64
+use guts::{BLOCK_LEN, CHUNK_LEN};
+
+// While iterating the compression function within a chunk, the CV is
+// represented as words, to avoid doing two extra endianness conversions for
+// each compression in the portable implementation. But the hash_many interface
+// needs to hash both input bytes and parent nodes, so its better for its
+// output CVs to be represented as bytes.
+type CVWords = [u32; 8];
+type CVBytes = [u8; 32]; // little-endian
+
+const IV: &CVWords = &[
+    0x6A09E667, 0xBB67AE85, 0x3C6EF372, 0xA54FF53A, 0x510E527F, 0x9B05688C, 0x1F83D9AB, 0x5BE0CD19,
+];
+
+const MSG_SCHEDULE: [[usize; 16]; 7] = [
+    [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15],
+    [2, 6, 3, 10, 7, 0, 4, 13, 1, 11, 12, 5, 9, 14, 15, 8],
+    [3, 4, 10, 12, 13, 2, 7, 14, 6, 5, 9, 0, 11, 15, 8, 1],
+    [10, 7, 12, 9, 14, 3, 13, 15, 4, 0, 11, 2, 5, 8, 1, 6],
+    [12, 13, 9, 11, 15, 10, 14, 8, 7, 2, 5, 3, 0, 1, 6, 4],
+    [9, 14, 11, 5, 8, 12, 15, 1, 13, 3, 0, 10, 2, 6, 4, 7],
+    [11, 15, 5, 0, 1, 9, 8, 6, 14, 10, 2, 12, 3, 4, 7, 13],
+];
+
+// These are the internal flags that we use to domain separate root/non-root,
+// chunk/parent, and chunk beginning/middle/end. These get set at the high end
+// of the block flags word in the compression function, so their values start
+// high and go down.
+const CHUNK_START: u8 = 1 << 0;
+const CHUNK_END: u8 = 1 << 1;
+const PARENT: u8 = 1 << 2;
+const ROOT: u8 = 1 << 3;
+const KEYED_HASH: u8 = 1 << 4;
+const DERIVE_KEY_CONTEXT: u8 = 1 << 5;
+const DERIVE_KEY_MATERIAL: u8 = 1 << 6;
+
+#[inline]
+fn counter_low(counter: u64) -> u32 {
+    counter as u32
+}
+
+#[inline]
+fn counter_high(counter: u64) -> u32 {
+    (counter >> 32) as u32
+}
+
+/// An output of the default size, 32 bytes, which provides constant-time
+/// equality checking.
+///
+/// `Hash` implements [`From`] and [`Into`] for `[u8; 32]`, and it provides an
+/// explicit [`as_bytes`] method returning `&[u8; 32]`. However, byte arrays
+/// and slices don't provide constant-time equality checking, which is often a
+/// security requirement in software that handles private data. `Hash` doesn't
+/// implement [`Deref`] or [`AsRef`], to avoid situations where a type
+/// conversion happens implicitly and the constant-time property is
+/// accidentally lost.
+///
+/// [`From`]: https://doc.rust-lang.org/std/convert/trait.From.html
+/// [`Into`]: https://doc.rust-lang.org/std/convert/trait.Into.html
+/// [`as_bytes`]: #method.as_bytes
+/// [`Deref`]: https://doc.rust-lang.org/stable/std/ops/trait.Deref.html
+/// [`AsRef`]: https://doc.rust-lang.org/std/convert/trait.AsRef.html
+/// [`Display`]: https://doc.rust-lang.org/std/fmt/trait.Display.html
+#[derive(Clone, Copy)]
+pub struct Hash([u8; OUT_LEN]);
+
+impl Hash {
+    /// The raw bytes of the `Hash`. Note that byte arrays don't provide
+    /// constant-time equality checking, so if  you need to compare hashes,
+    /// prefer the `Hash` type.
+    #[inline]
+    pub fn as_bytes(&self) -> &[u8; OUT_LEN] {
+        &self.0
+    }
+}
+
+impl From<[u8; OUT_LEN]> for Hash {
+    #[inline]
+    fn from(bytes: [u8; OUT_LEN]) -> Self {
+        Self(bytes)
+    }
+}
+
+impl From<Hash> for [u8; OUT_LEN] {
+    #[inline]
+    fn from(hash: Hash) -> Self {
+        hash.0
+    }
+}
+
+/// This implementation is constant-time.
+impl PartialEq for Hash {
+    #[inline]
+    fn eq(&self, other: &Hash) -> bool {
+        constant_time_eq::constant_time_eq_32(&self.0, &other.0)
+    }
+}
+
+/// This implementation is constant-time.
+impl PartialEq<[u8; OUT_LEN]> for Hash {
+    #[inline]
+    fn eq(&self, other: &[u8; OUT_LEN]) -> bool {
+        constant_time_eq::constant_time_eq_32(&self.0, other)
+    }
+}
+
+/// This implementation is constant-time if the target is 32 bytes long.
+impl PartialEq<[u8]> for Hash {
+    #[inline]
+    fn eq(&self, other: &[u8]) -> bool {
+        constant_time_eq::constant_time_eq(&self.0, other)
+    }
+}
+
+impl Eq for Hash {}
+
+impl core::hash::Hash for Hash {
+    fn hash<H: std::hash::Hasher>(&self, state: &mut H) {
+        self.0.hash(state);
+    }
+}
+
+impl fmt::Debug for Hash {
+    fn fmt(&self, f: &mut fmt::Formatter) -> fmt::Result {
+        f.debug_tuple("Hash").field(&self.0).finish()
+    }
+}
+
+// Each chunk or parent node can produce either a 32-byte chaining value or, by
+// setting the ROOT flag, any number of final output bytes. The Output struct
+// captures the state just prior to choosing between those two possibilities.
+#[derive(Clone)]
+struct Output {
+    input_chaining_value: CVWords,
+    block: [u8; 64],
+    block_len: u8,
+    counter: u64,
+    flags: u8,
+    platform: Platform,
+}
+
+impl Output {
+    fn chaining_value(&self) -> CVBytes {
+        let mut cv = self.input_chaining_value;
+        self.platform.compress_in_place(
+            &mut cv,
+            &self.block,
+            self.block_len,
+            self.counter,
+            self.flags,
+        );
+        platform::le_bytes_from_words_32(&cv)
+    }
+
+    fn root_hash(&self) -> Hash {
+        debug_assert_eq!(self.counter, 0);
+        let mut cv = self.input_chaining_value;
+        self.platform
+            .compress_in_place(&mut cv, &self.block, self.block_len, 0, self.flags | ROOT);
+        Hash(platform::le_bytes_from_words_32(&cv))
+    }
+
+    fn root_output_block(&self) -> [u8; 2 * OUT_LEN] {
+        self.platform.compress_xof(
+            &self.input_chaining_value,
+            &self.block,
+            self.block_len,
+            self.counter,
+            self.flags | ROOT,
+        )
+    }
+}
+
+#[derive(Clone)]
+struct ChunkState {
+    cv: CVWords,
+    chunk_counter: u64,
+    buf: [u8; BLOCK_LEN],
+    buf_len: u8,
+    blocks_compressed: u8,
+    flags: u8,
+    platform: Platform,
+}
+
+impl ChunkState {
+    fn new(key: &CVWords, chunk_counter: u64, flags: u8, platform: Platform) -> Self {
+        Self {
+            cv: *key,
+            chunk_counter,
+            buf: [0; BLOCK_LEN],
+            buf_len: 0,
+            blocks_compressed: 0,
+            flags,
+            platform,
+        }
+    }
+
+    fn len(&self) -> usize {
+        BLOCK_LEN * self.blocks_compressed as usize + self.buf_len as usize
+    }
+
+    fn fill_buf(&mut self, input: &mut &[u8]) {
+        let want = BLOCK_LEN - self.buf_len as usize;
+        let take = core::cmp::min(want, input.len());
+        self.buf[self.buf_len as usize..][..take].copy_from_slice(&input[..take]);
+        self.buf_len += take as u8;
+        *input = &input[take..];
+    }
+
+    fn start_flag(&self) -> u8 {
+        if self.blocks_compressed == 0 {
+            CHUNK_START
+        } else {
+            0
+        }
+    }
+
+    // Try to avoid buffering as much as possible, by compressing directly from
+    // the input slice when full blocks are available.
+    fn update(&mut self, mut input: &[u8]) -> &mut Self {
+        if self.buf_len > 0 {
+            self.fill_buf(&mut input);
+            if !input.is_empty() {
+                debug_assert_eq!(self.buf_len as usize, BLOCK_LEN);
+                let block_flags = self.flags | self.start_flag(); // borrowck
+                self.platform.compress_in_place(
+                    &mut self.cv,
+                    &self.buf,
+                    BLOCK_LEN as u8,
+                    self.chunk_counter,
+                    block_flags,
+                );
+                self.buf_len = 0;
+                self.buf = [0; BLOCK_LEN];
+                self.blocks_compressed += 1;
+            }
+        }
+
+        while input.len() > BLOCK_LEN {
+            debug_assert_eq!(self.buf_len, 0);
+            let block_flags = self.flags | self.start_flag(); // borrowck
+            let (block, rem) = slice::split_array_ref(input);
+            self.platform.compress_in_place(
+                &mut self.cv,
+                block,
+                BLOCK_LEN as u8,
+                self.chunk_counter,
+                block_flags,
+            );
+            self.blocks_compressed += 1;
+            input = rem;
+        }
+
+        self.fill_buf(&mut input);
+        debug_assert!(input.is_empty());
+        debug_assert!(self.len() <= CHUNK_LEN);
+        self
+    }
+
+    fn output(&self) -> Output {
+        let block_flags = self.flags | self.start_flag() | CHUNK_END;
+        Output {
+            input_chaining_value: self.cv,
+            block: self.buf,
+            block_len: self.buf_len,
+            counter: self.chunk_counter,
+            flags: block_flags,
+            platform: self.platform,
+        }
+    }
+}
+
+// Don't derive(Debug), because the state may be secret.
+impl fmt::Debug for ChunkState {
+    fn fmt(&self, f: &mut fmt::Formatter) -> fmt::Result {
+        f.debug_struct("ChunkState")
+            .field("len", &self.len())
+            .field("chunk_counter", &self.chunk_counter)
+            .field("flags", &self.flags)
+            .field("platform", &self.platform)
+            .finish()
+    }
+}
+
+// IMPLEMENTATION NOTE
+// ===================
+// The recursive function compress_subtree_wide(), implemented below, is the
+// basis of high-performance BLAKE3. We use it both for all-at-once hashing,
+// and for the incremental input with Hasher (though we have to be careful with
+// subtree boundaries in the incremental case). compress_subtree_wide() applies
+// several optimizations at the same time:
+// - Parallel chunk hashing with SIMD.
+// - Parallel parent hashing with SIMD. Note that while SIMD chunk hashing
+//   maxes out at MAX_SIMD_DEGREE*CHUNK_LEN, parallel parent hashing continues
+//   to benefit from larger inputs, because more levels of the tree benefit can
+//   use full-width SIMD vectors for parent hashing. Without parallel parent
+//   hashing, we lose about 10% of overall throughput on AVX2 and AVX-512.
+
+/// Undocumented and unstable, for benchmarks only.
+#[doc(hidden)]
+#[derive(Clone, Copy)]
+pub enum IncrementCounter {
+    Yes,
+    No,
+}
+
+impl IncrementCounter {
+    #[inline]
+    fn yes(&self) -> bool {
+        match self {
+            IncrementCounter::Yes => true,
+            IncrementCounter::No => false,
+        }
+    }
+}
+
+// The largest power of two less than or equal to `n`, used for left_len()
+// immediately below, and also directly in Hasher::update().
+fn largest_power_of_two_leq(n: usize) -> usize {
+    ((n / 2) + 1).next_power_of_two()
+}
+
+// Given some input larger than one chunk, return the number of bytes that
+// should go in the left subtree. This is the largest power-of-2 number of
+// chunks that leaves at least 1 byte for the right subtree.
+fn left_len(content_len: usize) -> usize {
+    debug_assert!(content_len > CHUNK_LEN);
+    // Subtract 1 to reserve at least one byte for the right side.
+    let full_chunks = (content_len - 1) / CHUNK_LEN;
+    largest_power_of_two_leq(full_chunks) * CHUNK_LEN
+}
+
+// Helper to collect a bunch of references to T into a stack array with a maximum capacity of N.
+struct Refs<'a, T, const N: usize> {
+    len: usize,
+    buf: [MaybeUninit<&'a T>; N],
+}
+
+impl<'a, T, const N: usize> Refs<'a, T, N> {
+    pub fn collect_from<I: Iterator<Item = &'a T>>(iter: &mut I) -> Self {
+        let mut refs = Self {
+            len: 0,
+            // SAFETY: The `assume_init` is safe because the type we are claiming to have
+            // initialized here is a bunch of `MaybeUninit`s, which do not require initialization.
+            buf: unsafe { MaybeUninit::uninit().assume_init() },
+        };
+        // Dropping a `MaybeUninit` does nothing so no issues if there's a panic in this loop.
+        let mut len = 0;
+        while len < N {
+            match iter.next() {
+                Some(item) => {
+                    refs.buf[len].write(item);
+                    len += 1;
+                }
+                None => break,
+            }
+        }
+        refs.len = len;
+        refs
+    }
+
+    #[inline(always)]
+    pub fn len(&self) -> usize {
+        self.len
+    }
+
+    #[inline(always)]
+    pub fn as_slice(&self) -> &[&T] {
+        // SAFETY: Safe because we initialized `self.len` elements in `from_iter`
+        unsafe { std::mem::transmute(&self.buf[..self.len]) }
+    }
+}
+
+// Use SIMD parallelism to hash up to MAX_SIMD_DEGREE chunks at the same time
+// on a single thread. Write out the chunk chaining values and return the
+// number of chunks hashed. These chunks are never the root and never empty;
+// those cases use a different codepath.
+fn compress_chunks_parallel(
+    input: &[u8],
+    key: &CVWords,
+    chunk_counter: u64,
+    flags: u8,
+    platform: Platform,
+    out: &mut [u8],
+) -> usize {
+    debug_assert!(!input.is_empty(), "empty chunks below the root");
+    debug_assert!(input.len() <= MAX_SIMD_DEGREE * CHUNK_LEN);
+
+    let mut chunks_exact = slice::array_chunks(input);
+    let chunks = Refs::<[u8; CHUNK_LEN], MAX_SIMD_DEGREE>::collect_from(&mut chunks_exact);
+
+    platform.hash_many(
+        chunks.as_slice(),
+        key,
+        chunk_counter,
+        IncrementCounter::Yes,
+        flags,
+        CHUNK_START,
+        CHUNK_END,
+        out,
+    );
+
+    // Hash the remaining partial chunk, if there is one. Note that the empty
+    // chunk (meaning the empty message) is a different codepath.
+    let chunks_so_far = chunks.len();
+    if !chunks_exact.remainder().is_empty() {
+        let counter = chunk_counter + chunks_so_far as u64;
+        let mut chunk_state = ChunkState::new(key, counter, flags, platform);
+        chunk_state.update(chunks_exact.remainder());
+        let out_index = chunks_so_far * OUT_LEN;
+        out[out_index..out_index + OUT_LEN].copy_from_slice(&chunk_state.output().chaining_value());
+        chunks_so_far + 1
+    } else {
+        chunks_so_far
+    }
+}
+
+// Use SIMD parallelism to hash up to MAX_SIMD_DEGREE parents at the same time
+// on a single thread. Write out the parent chaining values and return the
+// number of parents hashed. (If there's an odd input chaining value left over,
+// return it as an additional output.) These parents are never the root and
+// never empty; those cases use a different codepath.
+fn compress_parents_parallel(
+    child_chaining_values: &[u8],
+    key: &CVWords,
+    flags: u8,
+    platform: Platform,
+    out: &mut [u8],
+) -> usize {
+    debug_assert_eq!(child_chaining_values.len() % OUT_LEN, 0, "wacky hash bytes");
+    let num_children = child_chaining_values.len() / OUT_LEN;
+    debug_assert!(num_children >= 2, "not enough children");
+    debug_assert!(num_children <= 2 * MAX_SIMD_DEGREE_OR_2, "too many");
+
+    let mut parents_exact = slice::array_chunks(child_chaining_values);
+    // Use MAX_SIMD_DEGREE_OR_2 rather than MAX_SIMD_DEGREE here, because of
+    // the requirements of compress_subtree_wide().
+    let parents = Refs::<[u8; BLOCK_LEN], MAX_SIMD_DEGREE_OR_2>::collect_from(&mut parents_exact);
+
+    platform.hash_many(
+        parents.as_slice(),
+        key,
+        0, // Parents always use counter 0.
+        IncrementCounter::No,
+        flags | PARENT,
+        0, // Parents have no start flags.
+        0, // Parents have no end flags.
+        out,
+    );
+
+    // If there's an odd child left over, it becomes an output.
+    let parents_so_far = parents.len();
+    if !parents_exact.remainder().is_empty() {
+        out[parents_so_far * OUT_LEN..][..OUT_LEN].copy_from_slice(parents_exact.remainder());
+        parents_so_far + 1
+    } else {
+        parents_so_far
+    }
+}
+
+// The wide helper function returns (writes out) an array of chaining values
+// and returns the length of that array. The number of chaining values returned
+// is the dynamically detected SIMD degree, at most MAX_SIMD_DEGREE. Or fewer,
+// if the input is shorter than that many chunks. The reason for maintaining a
+// wide array of chaining values going back up the tree, is to allow the
+// implementation to hash as many parents in parallel as possible.
+//
+// As a special case when the SIMD degree is 1, this function will still return
+// at least 2 outputs. This guarantees that this function doesn't perform the
+// root compression. (If it did, it would use the wrong flags, and also we
+// wouldn't be able to implement exendable output.) Note that this function is
+// not used when the whole input is only 1 chunk long; that's a different
+// codepath.
+//
+// Why not just have the caller split the input on the first update(), instead
+// of implementing this special rule? Because we don't want to limit SIMD or
+// multithreading parallelism for that update().
+fn compress_subtree_wide<J: join::Join>(
+    input: &[u8],
+    key: &CVWords,
+    chunk_counter: u64,
+    flags: u8,
+    platform: Platform,
+    out: &mut [u8],
+) -> usize {
+    // Note that the single chunk case does *not* bump the SIMD degree up to 2
+    // when it is 1.f
+    if input.len() <= platform.simd_degree() * CHUNK_LEN {
+        return compress_chunks_parallel(input, key, chunk_counter, flags, platform, out);
+    }
+
+    // With more than simd_degree chunks, we need to recurse. Start by dividing
+    // the input into left and right subtrees. (Note that this is only optimal
+    // as long as the SIMD degree is a power of 2. If we ever get a SIMD degree
+    // of 3 or something, we'll need a more complicated strategy.)
+    debug_assert_eq!(platform.simd_degree().count_ones(), 1, "power of 2");
+    let (left, right) = input.split_at(left_len(input.len()));
+    let right_chunk_counter = chunk_counter + (left.len() / CHUNK_LEN) as u64;
+
+    // Make space for the child outputs. Here we use MAX_SIMD_DEGREE_OR_2 to
+    // account for the special case of returning 2 outputs when the SIMD degree
+    // is 1.
+    let mut cv_array = [0; 2 * MAX_SIMD_DEGREE_OR_2 * OUT_LEN];
+    let degree = if left.len() == CHUNK_LEN {
+        // The "simd_degree=1 and we're at the leaf nodes" case.
+        debug_assert_eq!(platform.simd_degree(), 1);
+        1
+    } else {
+        core::cmp::max(platform.simd_degree(), 2)
+    };
+    let (left_out, right_out) = cv_array.split_at_mut(degree * OUT_LEN);
+
+    // Recurse!
+    let (left_n, right_n) = J::join(
+        || compress_subtree_wide::<J>(left, key, chunk_counter, flags, platform, left_out),
+        || compress_subtree_wide::<J>(right, key, right_chunk_counter, flags, platform, right_out),
+    );
+
+    // The special case again. If simd_degree=1, then we'll have left_n=1 and
+    // right_n=1. Rather than compressing them into a single output, return
+    // them directly, to make sure we always have at least two outputs.
+    debug_assert_eq!(left_n, degree);
+    debug_assert!(right_n >= 1 && right_n <= left_n);
+    if left_n == 1 {
+        out[..2 * OUT_LEN].copy_from_slice(&cv_array[..2 * OUT_LEN]);
+        return 2;
+    }
+
+    // Otherwise, do one layer of parent node compression.
+    let num_children = left_n + right_n;
+    compress_parents_parallel(
+        &cv_array[..num_children * OUT_LEN],
+        key,
+        flags,
+        platform,
+        out,
+    )
+}
+
+// Hash a subtree with compress_subtree_wide(), and then condense the resulting
+// list of chaining values down to a single parent node. Don't compress that
+// last parent node, however. Instead, return its message bytes (the
+// concatenated chaining values of its children). This is necessary when the
+// first call to update() supplies a complete subtree, because the topmost
+// parent node of that subtree could end up being the root. It's also necessary
+// for extended output in the general case.
+//
+// As with compress_subtree_wide(), this function is not used on inputs of 1
+// chunk or less. That's a different codepath.
+fn compress_subtree_to_parent_node<J: join::Join>(
+    input: &[u8],
+    key: &CVWords,
+    chunk_counter: u64,
+    flags: u8,
+    platform: Platform,
+) -> [u8; BLOCK_LEN] {
+    debug_assert!(input.len() > CHUNK_LEN);
+    let mut cv_array = [0; MAX_SIMD_DEGREE_OR_2 * OUT_LEN];
+    let mut num_cvs =
+        compress_subtree_wide::<J>(input, key, chunk_counter, flags, platform, &mut cv_array);
+    debug_assert!(num_cvs >= 2);
+
+    // If MAX_SIMD_DEGREE is greater than 2 and there's enough input,
+    // compress_subtree_wide() returns more than 2 chaining values. Condense
+    // them into 2 by forming parent nodes repeatedly.
+    let mut out_array = [0; MAX_SIMD_DEGREE_OR_2 * OUT_LEN / 2];
+    while num_cvs > 2 {
+        let cv_slice = &cv_array[..num_cvs * OUT_LEN];
+        num_cvs = compress_parents_parallel(cv_slice, key, flags, platform, &mut out_array);
+        cv_array[..num_cvs * OUT_LEN].copy_from_slice(&out_array[..num_cvs * OUT_LEN]);
+    }
+    cv_array[..2 * OUT_LEN].try_into().unwrap()
+}
+
+// Hash a complete input all at once. Unlike compress_subtree_wide() and
+// compress_subtree_to_parent_node(), this function handles the 1 chunk case.
+fn hash_all_at_once<J: join::Join>(input: &[u8], key: &CVWords, flags: u8) -> Output {
+    let platform = Platform::detect();
+
+    // If the whole subtree is one chunk, hash it directly with a ChunkState.
+    if input.len() <= CHUNK_LEN {
+        return ChunkState::new(key, 0, flags, platform)
+            .update(input)
+            .output();
+    }
+
+    // Otherwise construct an Output object from the parent node returned by
+    // compress_subtree_to_parent_node().
+    Output {
+        input_chaining_value: *key,
+        block: compress_subtree_to_parent_node::<J>(input, key, 0, flags, platform),
+        block_len: BLOCK_LEN as u8,
+        counter: 0,
+        flags: flags | PARENT,
+        platform,
+    }
+}
+
+/// The default hash function.
+///
+/// For an incremental version that accepts multiple writes, see
+/// [`Hasher::update`].
+///
+/// For output sizes other than 32 bytes, see [`Hasher::finalize_xof`] and
+/// [`OutputReader`].
+///
+/// This function is always single-threaded.
+pub fn hash(input: &[u8]) -> Hash {
+    hash_all_at_once::<join::SerialJoin>(input, IV, 0).root_hash()
+}
+
+/// The keyed hash function.
+///
+/// This is suitable for use as a message authentication code, for example to
+/// replace an HMAC instance. In that use case, the constant-time equality
+/// checking provided by [`Hash`](struct.Hash.html) is almost always a security
+/// requirement, and callers need to be careful not to compare MACs as raw
+/// bytes.
+///
+/// For output sizes other than 32 bytes, see [`Hasher::new_keyed`],
+/// [`Hasher::finalize_xof`], and [`OutputReader`].
+///
+/// This function is always single-threaded.
+pub fn keyed_hash(key: &[u8; KEY_LEN], input: &[u8]) -> Hash {
+    let key_words = platform::words_from_le_bytes_32(key);
+    hash_all_at_once::<join::SerialJoin>(input, &key_words, KEYED_HASH).root_hash()
+}
+
+/// The key derivation function.
+///
+/// Given cryptographic key material of any length and a context string of any
+/// length, this function outputs a 32-byte derived subkey. **The context string
+/// should be hardcoded, globally unique, and application-specific.** A good
+/// default format for such strings is `"[application] [commit timestamp]
+/// [purpose]"`, e.g., `"example.com 2019-12-25 16:18:03 session tokens v1"`.
+///
+/// Key derivation is important when you want to use the same key in multiple
+/// algorithms or use cases. Using the same key with different cryptographic
+/// algorithms is generally forbidden, and deriving a separate subkey for each
+/// use case protects you from bad interactions. Derived keys also mitigate the
+/// damage from one part of your application accidentally leaking its key.
+///
+/// As a rare exception to that general rule, however, it is possible to use
+/// `derive_key` itself with key material that you are already using with
+/// another algorithm. You might need to do this if you're adding features to
+/// an existing application, which does not yet use key derivation internally.
+/// However, you still must not share key material with algorithms that forbid
+/// key reuse entirely, like a one-time pad. For more on this, see sections 6.2
+/// and 7.8 of the [BLAKE3 paper](https://github.com/BLAKE3-team/BLAKE3-specs/blob/master/blake3.pdf).
+///
+/// Note that BLAKE3 is not a password hash, and **`derive_key` should never be
+/// used with passwords.** Instead, use a dedicated password hash like
+/// [Argon2]. Password hashes are entirely different from generic hash
+/// functions, with opposite design requirements.
+///
+/// For output sizes other than 32 bytes, see [`Hasher::new_derive_key`],
+/// [`Hasher::finalize_xof`], and [`OutputReader`].
+///
+/// This function is always single-threaded.
+///
+/// [Argon2]: https://en.wikipedia.org/wiki/Argon2
+pub fn derive_key(context: &str, key_material: &[u8]) -> [u8; OUT_LEN] {
+    let context_key =
+        hash_all_at_once::<join::SerialJoin>(context.as_bytes(), IV, DERIVE_KEY_CONTEXT)
+            .root_hash();
+    let context_key_words = platform::words_from_le_bytes_32(context_key.as_bytes());
+    hash_all_at_once::<join::SerialJoin>(key_material, &context_key_words, DERIVE_KEY_MATERIAL)
+        .root_hash()
+        .0
+}
+
+fn parent_node_output(
+    left_child: &CVBytes,
+    right_child: &CVBytes,
+    key: &CVWords,
+    flags: u8,
+    platform: Platform,
+) -> Output {
+    let mut block = [0; BLOCK_LEN];
+    block[..32].copy_from_slice(left_child);
+    block[32..].copy_from_slice(right_child);
+    Output {
+        input_chaining_value: *key,
+        block,
+        block_len: BLOCK_LEN as u8,
+        counter: 0,
+        flags: flags | PARENT,
+        platform,
+    }
+}
+
+// The stack size is MAX_DEPTH + 1 because we do lazy merging. For example,
+// with 7 chunks, we have 3 entries in the stack. Adding an 8th chunk
+// requires a 4th entry, rather than merging everything down to 1, because
+// we don't know whether more input is coming. This is different from how
+// the reference implementation does things.
+#[derive(Clone)]
+struct CVStack {
+    len: usize,
+    stack: [CVBytes; MAX_DEPTH + 1],
+}
+
+impl CVStack {
+    fn new() -> Self {
+        Self {
+            len: 0,
+            stack: [[0; 32]; MAX_DEPTH + 1],
+        }
+    }
+
+    fn len(&self) -> usize {
+        self.len
+    }
+
+    fn is_empty(&self) -> bool {
+        self.len == 0
+    }
+
+    fn clear(&mut self) {
+        self.len = 0
+    }
+
+    fn push(&mut self, cv: CVBytes) {
+        self.stack[self.len] = cv;
+        self.len += 1;
+    }
+
+    fn pop(&mut self) -> (CVBytes, CVBytes) {
+        assert!(self.len >= 2, "cv stack underflow");
+        self.len -= 2;
+        (self.stack[self.len], self.stack[self.len + 1])
+    }
+}
+
+impl ops::Index<usize> for CVStack {
+    type Output = CVBytes;
+
+    fn index(&self, index: usize) -> &Self::Output {
+        &self.stack[index]
+    }
+}
+
+/// An incremental hash state that can accept any number of writes.
+///
+/// When the `traits-preview` Cargo feature is enabled, this type implements
+/// several commonly used traits from the
+/// [`digest`](https://crates.io/crates/digest) crate. However, those
+/// traits aren't stable, and they're expected to change in incompatible ways
+/// before that crate reaches 1.0. For that reason, this crate makes no SemVer
+/// guarantees for this feature, and callers who use it should expect breaking
+/// changes between patch versions.
+///
+/// **Performance note:** The [`update`](#method.update) method can't take full
+/// advantage of SIMD optimizations if its input buffer is too small or oddly
+/// sized. Using a 16 KiB buffer, or any multiple of that, enables all currently
+/// supported SIMD instruction sets.
+///
+/// # Examples
+///
+/// ```
+/// # fn main() -> Result<(), Box<dyn std::error::Error>> {
+/// // Hash an input incrementally.
+/// let mut hasher = blake3_smol::Hasher::new();
+/// hasher.update(b"foo");
+/// hasher.update(b"bar");
+/// hasher.update(b"baz");
+/// assert_eq!(hasher.finalize(), blake3_smol::hash(b"foobarbaz"));
+///
+/// // Extended output. OutputReader also implements Read and Seek.
+/// # #[cfg(feature = "std")] {
+/// let mut output = [0; 1000];
+/// let mut output_reader = hasher.finalize_xof();
+/// output_reader.fill(&mut output);
+/// assert_eq!(&output[..32], blake3_smol::hash(b"foobarbaz").as_bytes());
+/// # }
+/// # Ok(())
+/// # }
+/// ```
+#[derive(Clone)]
+pub struct Hasher {
+    key: CVWords,
+    chunk_state: ChunkState,
+    cv_stack: CVStack,
+}
+
+impl Hasher {
+    fn new_internal(key: &CVWords, flags: u8) -> Self {
+        Self {
+            key: *key,
+            chunk_state: ChunkState::new(key, 0, flags, Platform::detect()),
+            cv_stack: CVStack::new(),
+        }
+    }
+
+    /// Construct a new `Hasher` for the regular hash function.
+    pub fn new() -> Self {
+        Self::new_internal(IV, 0)
+    }
+
+    /// Construct a new `Hasher` for the keyed hash function. See
+    /// [`keyed_hash`].
+    ///
+    /// [`keyed_hash`]: fn.keyed_hash.html
+    pub fn new_keyed(key: &[u8; KEY_LEN]) -> Self {
+        let key_words = platform::words_from_le_bytes_32(key);
+        Self::new_internal(&key_words, KEYED_HASH)
+    }
+
+    /// Construct a new `Hasher` for the key derivation function. See
+    /// [`derive_key`]. The context string should be hardcoded, globally
+    /// unique, and application-specific.
+    ///
+    /// [`derive_key`]: fn.derive_key.html
+    pub fn new_derive_key(context: &str) -> Self {
+        let context_key =
+            hash_all_at_once::<join::SerialJoin>(context.as_bytes(), IV, DERIVE_KEY_CONTEXT)
+                .root_hash();
+        let context_key_words = platform::words_from_le_bytes_32(context_key.as_bytes());
+        Self::new_internal(&context_key_words, DERIVE_KEY_MATERIAL)
+    }
+
+    /// Reset the `Hasher` to its initial state.
+    ///
+    /// This is functionally the same as overwriting the `Hasher` with a new
+    /// one, using the same key or context string if any.
+    pub fn reset(&mut self) -> &mut Self {
+        self.chunk_state = ChunkState::new(
+            &self.key,
+            0,
+            self.chunk_state.flags,
+            self.chunk_state.platform,
+        );
+        self.cv_stack.clear();
+        self
+    }
+
+    // As described in push_cv() below, we do "lazy merging", delaying merges
+    // until right before the next CV is about to be added. This is different
+    // from the reference implementation. Another difference is that we aren't
+    // always merging 1 chunk at a time. Instead, each CV might represent any
+    // power-of-two number of chunks, as long as the smaller-above-larger stack
+    // order is maintained. Instead of the "count the trailing 0-bits"
+    // algorithm described in the spec, we use a "count the total number of
+    // 1-bits" variant that doesn't require us to retain the subtree size of
+    // the CV on top of the stack. The principle is the same: each CV that
+    // should remain in the stack is represented by a 1-bit in the total number
+    // of chunks (or bytes) so far.
+    fn merge_cv_stack(&mut self, total_len: u64) {
+        let post_merge_stack_len = total_len.count_ones() as usize;
+        while self.cv_stack.len() > post_merge_stack_len {
+            let (left_child, right_child) = self.cv_stack.pop();
+            let parent_output = parent_node_output(
+                &left_child,
+                &right_child,
+                &self.key,
+                self.chunk_state.flags,
+                self.chunk_state.platform,
+            );
+            self.cv_stack.push(parent_output.chaining_value());
+        }
+    }
+
+    // In reference_impl.rs, we merge the new CV with existing CVs from the
+    // stack before pushing it. We can do that because we know more input is
+    // coming, so we know none of the merges are root.
+    //
+    // This setting is different. We want to feed as much input as possible to
+    // compress_subtree_wide(), without setting aside anything for the
+    // chunk_state. If the user gives us 64 KiB, we want to parallelize over
+    // all 64 KiB at once as a single subtree, if at all possible.
+    //
+    // This leads to two problems:
+    // 1) This 64 KiB input might be the only call that ever gets made to
+    //    update. In this case, the root node of the 64 KiB subtree would be
+    //    the root node of the whole tree, and it would need to be ROOT
+    //    finalized. We can't compress it until we know.
+    // 2) This 64 KiB input might complete a larger tree, whose root node is
+    //    similarly going to be the the root of the whole tree. For example,
+    //    maybe we have 196 KiB (that is, 128 + 64) hashed so far. We can't
+    //    compress the node at the root of the 256 KiB subtree until we know
+    //    how to finalize it.
+    //
+    // The second problem is solved with "lazy merging". That is, when we're
+    // about to add a CV to the stack, we don't merge it with anything first,
+    // as the reference impl does. Instead we do merges using the *previous* CV
+    // that was added, which is sitting on top of the stack, and we put the new
+    // CV (unmerged) on top of the stack afterwards. This guarantees that we
+    // never merge the root node until finalize().
+    //
+    // Solving the first problem requires an additional tool,
+    // compress_subtree_to_parent_node(). That function always returns the top
+    // *two* chaining values of the subtree it's compressing. We then do lazy
+    // merging with each of them separately, so that the second CV will always
+    // remain unmerged. (That also helps us support extendable output when
+    // we're hashing an input all-at-once.)
+    fn push_cv(&mut self, new_cv: &CVBytes, chunk_counter: u64) {
+        self.merge_cv_stack(chunk_counter);
+        self.cv_stack.push(*new_cv);
+    }
+
+    /// Add input bytes to the hash state. You can call this any number of
+    /// times.
+    ///
+    /// This method is always single-threaded.
+    ///
+    /// Note that the degree of SIMD parallelism that `update` can use is
+    /// limited by the size of this input buffer. The 8 KiB buffer currently
+    /// used by [`std::io::copy`] is enough to leverage AVX2, for example, but
+    /// not enough to leverage AVX-512. A 16 KiB buffer is large enough to
+    /// leverage all currently supported SIMD instruction sets.
+    ///
+    /// [`std::io::copy`]: https://doc.rust-lang.org/std/io/fn.copy.html
+    pub fn update(&mut self, input: &[u8]) -> &mut Self {
+        self.update_with_join::<join::SerialJoin>(input)
+    }
+
+    fn update_with_join<J: join::Join>(&mut self, mut input: &[u8]) -> &mut Self {
+        // If we have some partial chunk bytes in the internal chunk_state, we
+        // need to finish that chunk first.
+        if self.chunk_state.len() > 0 {
+            let want = CHUNK_LEN - self.chunk_state.len();
+            let take = core::cmp::min(want, input.len());
+            self.chunk_state.update(&input[..take]);
+            input = &input[take..];
+            if !input.is_empty() {
+                // We've filled the current chunk, and there's more input
+                // coming, so we know it's not the root and we can finalize it.
+                // Then we'll proceed to hashing whole chunks below.
+                debug_assert_eq!(self.chunk_state.len(), CHUNK_LEN);
+                let chunk_cv = self.chunk_state.output().chaining_value();
+                self.push_cv(&chunk_cv, self.chunk_state.chunk_counter);
+                self.chunk_state = ChunkState::new(
+                    &self.key,
+                    self.chunk_state.chunk_counter + 1,
+                    self.chunk_state.flags,
+                    self.chunk_state.platform,
+                );
+            } else {
+                return self;
+            }
+        }
+
+        // Now the chunk_state is clear, and we have more input. If there's
+        // more than a single chunk (so, definitely not the root chunk), hash
+        // the largest whole subtree we can, with the full benefits of SIMD and
+        // multithreading parallelism. Two restrictions:
+        // - The subtree has to be a power-of-2 number of chunks. Only subtrees
+        //   along the right edge can be incomplete, and we don't know where
+        //   the right edge is going to be until we get to finalize().
+        // - The subtree must evenly divide the total number of chunks up until
+        //   this point (if total is not 0). If the current incomplete subtree
+        //   is only waiting for 1 more chunk, we can't hash a subtree of 4
+        //   chunks. We have to complete the current subtree first.
+        // Because we might need to break up the input to form powers of 2, or
+        // to evenly divide what we already have, this part runs in a loop.
+        while input.len() > CHUNK_LEN {
+            debug_assert_eq!(self.chunk_state.len(), 0, "no partial chunk data");
+            debug_assert_eq!(CHUNK_LEN.count_ones(), 1, "power of 2 chunk len");
+            let mut subtree_len = largest_power_of_two_leq(input.len());
+            let count_so_far = self.chunk_state.chunk_counter * CHUNK_LEN as u64;
+            // Shrink the subtree_len until it evenly divides the count so far.
+            // We know that subtree_len itself is a power of 2, so we can use a
+            // bitmasking trick instead of an actual remainder operation. (Note
+            // that if the caller consistently passes power-of-2 inputs of the
+            // same size, as is hopefully typical, this loop condition will
+            // always fail, and subtree_len will always be the full length of
+            // the input.)
+            //
+            // An aside: We don't have to shrink subtree_len quite this much.
+            // For example, if count_so_far is 1, we could pass 2 chunks to
+            // compress_subtree_to_parent_node. Since we'll get 2 CVs back,
+            // we'll still get the right answer in the end, and we might get to
+            // use 2-way SIMD parallelism. The problem with this optimization,
+            // is that it gets us stuck always hashing 2 chunks. The total
+            // number of chunks will remain odd, and we'll never graduate to
+            // higher degrees of parallelism. See
+            // https://github.com/BLAKE3-team/BLAKE3/issues/69.
+            while (subtree_len - 1) as u64 & count_so_far != 0 {
+                subtree_len /= 2;
+            }
+            // The shrunken subtree_len might now be 1 chunk long. If so, hash
+            // that one chunk by itself. Otherwise, compress the subtree into a
+            // pair of CVs.
+            let subtree_chunks = (subtree_len / CHUNK_LEN) as u64;
+            if subtree_len <= CHUNK_LEN {
+                debug_assert_eq!(subtree_len, CHUNK_LEN);
+                self.push_cv(
+                    &ChunkState::new(
+                        &self.key,
+                        self.chunk_state.chunk_counter,
+                        self.chunk_state.flags,
+                        self.chunk_state.platform,
+                    )
+                    .update(&input[..subtree_len])
+                    .output()
+                    .chaining_value(),
+                    self.chunk_state.chunk_counter,
+                );
+            } else {
+                // This is the high-performance happy path, though getting here
+                // depends on the caller giving us a long enough input.
+                let cv_pair = compress_subtree_to_parent_node::<J>(
+                    &input[..subtree_len],
+                    &self.key,
+                    self.chunk_state.chunk_counter,
+                    self.chunk_state.flags,
+                    self.chunk_state.platform,
+                );
+                let (left_cv, rem) = slice::split_array_ref(&cv_pair);
+                let (right_cv, _) = slice::split_array_ref(rem);
+                // Push the two CVs we received into the CV stack in order. Because
+                // the stack merges lazily, this guarantees we aren't merging the
+                // root.
+                self.push_cv(left_cv, self.chunk_state.chunk_counter);
+                self.push_cv(
+                    right_cv,
+                    self.chunk_state.chunk_counter + (subtree_chunks / 2),
+                );
+            }
+            self.chunk_state.chunk_counter += subtree_chunks;
+            input = &input[subtree_len..];
+        }
+
+        // What remains is 1 chunk or less. Add it to the chunk state.
+        debug_assert!(input.len() <= CHUNK_LEN);
+        if !input.is_empty() {
+            self.chunk_state.update(input);
+            // Having added some input to the chunk_state, we know what's in
+            // the CV stack won't become the root node, and we can do an extra
+            // merge. This simplifies finalize().
+            self.merge_cv_stack(self.chunk_state.chunk_counter);
+        }
+
+        self
+    }
+
+    fn final_output(&self) -> Output {
+        // If the current chunk is the only chunk, that makes it the root node
+        // also. Convert it directly into an Output. Otherwise, we need to
+        // merge subtrees below.
+        if self.cv_stack.is_empty() {
+            debug_assert_eq!(self.chunk_state.chunk_counter, 0);
+            return self.chunk_state.output();
+        }
+
+        // If there are any bytes in the ChunkState, finalize that chunk and
+        // merge its CV with everything in the CV stack. In that case, the work
+        // we did at the end of update() above guarantees that the stack
+        // doesn't contain any unmerged subtrees that need to be merged first.
+        // (This is important, because if there were two chunk hashes sitting
+        // on top of the stack, they would need to merge with each other, and
+        // merging a new chunk hash into them would be incorrect.)
+        //
+        // If there are no bytes in the ChunkState, we'll merge what's already
+        // in the stack. In this case it's fine if there are unmerged chunks on
+        // top, because we'll merge them with each other. Note that the case of
+        // the empty chunk is taken care of above.
+        let mut output: Output;
+        let mut num_cvs_remaining = self.cv_stack.len();
+        if self.chunk_state.len() > 0 {
+            debug_assert_eq!(
+                self.cv_stack.len(),
+                self.chunk_state.chunk_counter.count_ones() as usize,
+                "cv stack does not need a merge"
+            );
+            output = self.chunk_state.output();
+        } else {
+            debug_assert!(self.cv_stack.len() >= 2);
+            output = parent_node_output(
+                &self.cv_stack[num_cvs_remaining - 2],
+                &self.cv_stack[num_cvs_remaining - 1],
+                &self.key,
+                self.chunk_state.flags,
+                self.chunk_state.platform,
+            );
+            num_cvs_remaining -= 2;
+        }
+        while num_cvs_remaining > 0 {
+            output = parent_node_output(
+                &self.cv_stack[num_cvs_remaining - 1],
+                &output.chaining_value(),
+                &self.key,
+                self.chunk_state.flags,
+                self.chunk_state.platform,
+            );
+            num_cvs_remaining -= 1;
+        }
+        output
+    }
+
+    /// Finalize the hash state and return the [`Hash`](struct.Hash.html) of
+    /// the input.
+    ///
+    /// This method is idempotent. Calling it twice will give the same result.
+    /// You can also add more input and finalize again.
+    pub fn finalize(&self) -> Hash {
+        self.final_output().root_hash()
+    }
+
+    /// Finalize the hash state and return an [`OutputReader`], which can
+    /// supply any number of output bytes.
+    ///
+    /// This method is idempotent. Calling it twice will give the same result.
+    /// You can also add more input and finalize again.
+    ///
+    /// [`OutputReader`]: struct.OutputReader.html
+    pub fn finalize_xof(&self) -> OutputReader {
+        OutputReader::new(self.final_output())
+    }
+
+    /// Return the total number of bytes hashed so far.
+    pub fn count(&self) -> u64 {
+        self.chunk_state.chunk_counter * CHUNK_LEN as u64 + self.chunk_state.len() as u64
+    }
+}
+
+// Don't derive(Debug), because the state may be secret.
+impl fmt::Debug for Hasher {
+    fn fmt(&self, f: &mut fmt::Formatter) -> fmt::Result {
+        f.debug_struct("Hasher")
+            .field("flags", &self.chunk_state.flags)
+            .field("platform", &self.chunk_state.platform)
+            .finish()
+    }
+}
+
+impl Default for Hasher {
+    #[inline]
+    fn default() -> Self {
+        Self::new()
+    }
+}
+
+#[cfg(feature = "std")]
+impl std::io::Write for Hasher {
+    /// This is equivalent to [`update`](#method.update).
+    #[inline]
+    fn write(&mut self, input: &[u8]) -> std::io::Result<usize> {
+        self.update(input);
+        Ok(input.len())
+    }
+
+    #[inline]
+    fn flush(&mut self) -> std::io::Result<()> {
+        Ok(())
+    }
+}
+
+/// An incremental reader for extended output, returned by
+/// [`Hasher::finalize_xof`](struct.Hasher.html#method.finalize_xof).
+///
+/// Shorter BLAKE3 outputs are prefixes of longer ones, and explicitly requesting a short output is
+/// equivalent to truncating the default-length output. Note that this is a difference between
+/// BLAKE2 and BLAKE3.
+///
+/// # Security notes
+///
+/// Outputs shorter than the default length of 32 bytes (256 bits) provide less security. An N-bit
+/// BLAKE3 output is intended to provide N bits of first and second preimage resistance and N/2
+/// bits of collision resistance, for any N up to 256. Longer outputs don't provide any additional
+/// security.
+///
+/// Avoid relying on the secrecy of the output offset, that is, the number of output bytes read or
+/// the arguments to [`seek`](struct.OutputReader.html#method.seek) or
+/// [`set_position`](struct.OutputReader.html#method.set_position). [_Block-Cipher-Based Tree
+/// Hashing_ by Aldo Gunsing](https://eprint.iacr.org/2022/283) shows that an attacker who knows
+/// both the message and the key (if any) can easily determine the offset of an extended output.
+/// For comparison, AES-CTR has a similar property: if you know the key, you can decrypt a block
+/// from an unknown position in the output stream to recover its block index. Callers with strong
+/// secret keys aren't affected in practice, but secret offsets are a [design
+/// smell](https://en.wikipedia.org/wiki/Design_smell) in any case.
+#[derive(Clone)]
+pub struct OutputReader {
+    inner: Output,
+    position_within_block: u8,
+}
+
+impl OutputReader {
+    fn new(inner: Output) -> Self {
+        Self {
+            inner,
+            position_within_block: 0,
+        }
+    }
+
+    /// Fill a buffer with output bytes and advance the position of the
+    /// `OutputReader`. This is equivalent to [`Read::read`], except that it
+    /// doesn't return a `Result`. Both methods always fill the entire buffer.
+    ///
+    /// Note that `OutputReader` doesn't buffer output bytes internally, so
+    /// calling `fill` repeatedly with a short-length or odd-length slice will
+    /// end up performing the same compression multiple times. If you're
+    /// reading output in a loop, prefer a slice length that's a multiple of
+    /// 64.
+    ///
+    /// The maximum output size of BLAKE3 is 2<sup>64</sup>-1 bytes. If you try
+    /// to extract more than that, for example by seeking near the end and
+    /// reading further, the behavior is unspecified.
+    ///
+    /// [`Read::read`]: #method.read
+    pub fn fill(&mut self, mut buf: &mut [u8]) {
+        while !buf.is_empty() {
+            let block: [u8; BLOCK_LEN] = self.inner.root_output_block();
+            let output_bytes = &block[self.position_within_block as usize..];
+            let take = core::cmp::min(buf.len(), output_bytes.len());
+            buf[..take].copy_from_slice(&output_bytes[..take]);
+            buf = &mut buf[take..];
+            self.position_within_block += take as u8;
+            if self.position_within_block == BLOCK_LEN as u8 {
+                self.inner.counter += 1;
+                self.position_within_block = 0;
+            }
+        }
+    }
+
+    /// Return the current read position in the output stream. This is
+    /// equivalent to [`Seek::stream_position`], except that it doesn't return
+    /// a `Result`. The position of a new `OutputReader` starts at 0, and each
+    /// call to [`fill`] or [`Read::read`] moves the position forward by the
+    /// number of bytes read.
+    ///
+    /// [`Seek::stream_position`]: #method.stream_position
+    /// [`fill`]: #method.fill
+    /// [`Read::read`]: #method.read
+    pub fn position(&self) -> u64 {
+        self.inner.counter * BLOCK_LEN as u64 + self.position_within_block as u64
+    }
+
+    /// Seek to a new read position in the output stream. This is equivalent to
+    /// calling [`Seek::seek`] with [`SeekFrom::Start`], except that it doesn't
+    /// return a `Result`.
+    ///
+    /// [`Seek::seek`]: #method.seek
+    /// [`SeekFrom::Start`]: https://doc.rust-lang.org/std/io/enum.SeekFrom.html
+    pub fn set_position(&mut self, position: u64) {
+        self.position_within_block = (position % BLOCK_LEN as u64) as u8;
+        self.inner.counter = position / BLOCK_LEN as u64;
+    }
+}
+
+// Don't derive(Debug), because the state may be secret.
+impl fmt::Debug for OutputReader {
+    fn fmt(&self, f: &mut fmt::Formatter) -> fmt::Result {
+        f.debug_struct("OutputReader")
+            .field("position", &self.position())
+            .finish()
+    }
+}
+
+#[cfg(feature = "std")]
+impl std::io::Read for OutputReader {
+    #[inline]
+    fn read(&mut self, buf: &mut [u8]) -> std::io::Result<usize> {
+        self.fill(buf);
+        Ok(buf.len())
+    }
+}
+
+#[cfg(feature = "std")]
+impl std::io::Seek for OutputReader {
+    fn seek(&mut self, pos: std::io::SeekFrom) -> std::io::Result<u64> {
+        let max_position = u64::max_value() as i128;
+        let target_position: i128 = match pos {
+            std::io::SeekFrom::Start(x) => x as i128,
+            std::io::SeekFrom::Current(x) => self.position() as i128 + x as i128,
+            std::io::SeekFrom::End(_) => {
+                return Err(std::io::Error::new(
+                    std::io::ErrorKind::InvalidInput,
+                    "seek from end not supported",
+                ));
+            }
+        };
+        if target_position < 0 {
+            return Err(std::io::Error::new(
+                std::io::ErrorKind::InvalidInput,
+                "seek before start",
+            ));
+        }
+        self.set_position(cmp::min(target_position, max_position) as u64);
+        Ok(self.position())
+    }
+}
diff --git a/ext/blake3-smol/src/platform.rs b/ext/blake3-smol/src/platform.rs
new file mode 100644 (file)
index 0000000..d5facc2
--- /dev/null
@@ -0,0 +1,454 @@
+use crate::{portable, CVWords, IncrementCounter, BLOCK_LEN, OUT_LEN};
+
+#[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+pub const MAX_SIMD_DEGREE: usize = 16;
+
+#[cfg(not(any(target_arch = "x86", target_arch = "x86_64")))]
+pub const MAX_SIMD_DEGREE: usize = 1;
+
+// There are some places where we want a static size that's equal to the
+// MAX_SIMD_DEGREE, but also at least 2. Constant contexts aren't currently
+// allowed to use cmp::max, so we have to hardcode this additional constant
+// value. Get rid of this once cmp::max is a const fn.
+
+#[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+pub const MAX_SIMD_DEGREE_OR_2: usize = MAX_SIMD_DEGREE;
+
+#[cfg(not(any(target_arch = "x86", target_arch = "x86_64")))]
+pub const MAX_SIMD_DEGREE_OR_2: usize = 2;
+
+#[derive(Clone, Copy, Debug)]
+pub enum Platform {
+    Portable,
+    #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+    SSE2,
+    #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+    SSE41,
+    #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+    AVX2,
+    #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+    AVX512,
+}
+
+impl Platform {
+    #[allow(unreachable_code)]
+    pub fn detect() -> Self {
+        #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+        {
+            if avx512_detected() {
+                return Platform::AVX512;
+            }
+            if avx2_detected() {
+                return Platform::AVX2;
+            }
+            if sse41_detected() {
+                return Platform::SSE41;
+            }
+            if sse2_detected() {
+                return Platform::SSE2;
+            }
+        }
+        Platform::Portable
+    }
+
+    pub fn simd_degree(&self) -> usize {
+        let degree = match self {
+            Platform::Portable => 1,
+            #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+            Platform::SSE2 => 4,
+            #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+            Platform::SSE41 => 4,
+            #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+            Platform::AVX2 => 8,
+            #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+            Platform::AVX512 => 16,
+        };
+        debug_assert!(degree <= MAX_SIMD_DEGREE);
+        degree
+    }
+
+    pub fn compress_in_place(
+        &self,
+        cv: &mut CVWords,
+        block: &[u8; BLOCK_LEN],
+        block_len: u8,
+        counter: u64,
+        flags: u8,
+    ) {
+        match self {
+            Platform::Portable => portable::compress_in_place(cv, block, block_len, counter, flags),
+            // Safe because detect() checked for platform support.
+            #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+            Platform::SSE2 => unsafe {
+                crate::ffi::blake3_compress_in_place_sse2(
+                    cv.as_mut_ptr(),
+                    block.as_ptr(),
+                    block_len,
+                    counter,
+                    flags,
+                )
+            },
+            // Safe because detect() checked for platform support.
+            #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+            Platform::SSE41 | Platform::AVX2 => unsafe {
+                crate::ffi::blake3_compress_in_place_sse41(
+                    cv.as_mut_ptr(),
+                    block.as_ptr(),
+                    block_len,
+                    counter,
+                    flags,
+                )
+            },
+            // Safe because detect() checked for platform support.
+            #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+            Platform::AVX512 => unsafe {
+                crate::ffi::blake3_compress_in_place_avx512(
+                    cv.as_mut_ptr(),
+                    block.as_ptr(),
+                    block_len,
+                    counter,
+                    flags,
+                )
+            },
+        }
+    }
+
+    pub fn compress_xof(
+        &self,
+        cv: &CVWords,
+        block: &[u8; BLOCK_LEN],
+        block_len: u8,
+        counter: u64,
+        flags: u8,
+    ) -> [u8; 64] {
+        match self {
+            Platform::Portable => portable::compress_xof(cv, block, block_len, counter, flags),
+            // Safe because detect() checked for platform support.
+            #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+            Platform::SSE2 => unsafe {
+                let mut out = [0u8; 64];
+                crate::ffi::blake3_compress_xof_sse2(
+                    cv.as_ptr(),
+                    block.as_ptr(),
+                    block_len,
+                    counter,
+                    flags,
+                    out.as_mut_ptr(),
+                );
+                out
+            },
+            // Safe because detect() checked for platform support.
+            #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+            Platform::SSE41 | Platform::AVX2 => unsafe {
+                let mut out = [0u8; 64];
+                crate::ffi::blake3_compress_xof_sse41(
+                    cv.as_ptr(),
+                    block.as_ptr(),
+                    block_len,
+                    counter,
+                    flags,
+                    out.as_mut_ptr(),
+                );
+                out
+            },
+            // Safe because detect() checked for platform support.
+            #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+            Platform::AVX512 => unsafe {
+                let mut out = [0u8; 64];
+                crate::ffi::blake3_compress_xof_avx512(
+                    cv.as_ptr(),
+                    block.as_ptr(),
+                    block_len,
+                    counter,
+                    flags,
+                    out.as_mut_ptr(),
+                );
+                out
+            },
+        }
+    }
+
+    // IMPLEMENTATION NOTE
+    // ===================
+    // hash_many() applies two optimizations. The critically important
+    // optimization is the high-performance parallel SIMD hashing mode,
+    // described in detail in the spec. This more than doubles throughput per
+    // thread. Another optimization is keeping the state vectors transposed
+    // from block to block within a chunk. When state vectors are transposed
+    // after every block, there's a small but measurable performance loss.
+    // Compressing chunks with a dedicated loop avoids this.
+
+    pub fn hash_many<const N: usize>(
+        &self,
+        inputs: &[&[u8; N]],
+        key: &CVWords,
+        counter: u64,
+        increment_counter: IncrementCounter,
+        flags: u8,
+        flags_start: u8,
+        flags_end: u8,
+        out: &mut [u8],
+    ) {
+        match self {
+            Platform::Portable => portable::hash_many(
+                inputs,
+                key,
+                counter,
+                increment_counter,
+                flags,
+                flags_start,
+                flags_end,
+                out,
+            ),
+            // Safe because detect() checked for platform support.
+            #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+            Platform::SSE2 => unsafe {
+                // The Rust hash_many implementations do bounds checking on the `out`
+                // array, but the C implementations don't. Even though this is an unsafe
+                // function, assert the bounds here.
+                assert!(out.len() >= inputs.len() * OUT_LEN);
+                crate::ffi::blake3_hash_many_sse2(
+                    inputs.as_ptr() as *const *const u8,
+                    inputs.len(),
+                    N / BLOCK_LEN,
+                    key.as_ptr(),
+                    counter,
+                    increment_counter.yes(),
+                    flags,
+                    flags_start,
+                    flags_end,
+                    out.as_mut_ptr(),
+                )
+            },
+            // Safe because detect() checked for platform support.
+            #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+            Platform::SSE41 => unsafe {
+                // The Rust hash_many implementations do bounds checking on the `out`
+                // array, but the C implementations don't. Even though this is an unsafe
+                // function, assert the bounds here.
+                assert!(out.len() >= inputs.len() * OUT_LEN);
+                crate::ffi::blake3_hash_many_sse41(
+                    inputs.as_ptr() as *const *const u8,
+                    inputs.len(),
+                    N / BLOCK_LEN,
+                    key.as_ptr(),
+                    counter,
+                    increment_counter.yes(),
+                    flags,
+                    flags_start,
+                    flags_end,
+                    out.as_mut_ptr(),
+                )
+            },
+            // Safe because detect() checked for platform support.
+            #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+            Platform::AVX2 => unsafe {
+                // The Rust hash_many implementations do bounds checking on the `out`
+                // array, but the C implementations don't. Even though this is an unsafe
+                // function, assert the bounds here.
+                assert!(out.len() >= inputs.len() * OUT_LEN);
+                crate::ffi::blake3_hash_many_avx2(
+                    inputs.as_ptr() as *const *const u8,
+                    inputs.len(),
+                    N / BLOCK_LEN,
+                    key.as_ptr(),
+                    counter,
+                    increment_counter.yes(),
+                    flags,
+                    flags_start,
+                    flags_end,
+                    out.as_mut_ptr(),
+                )
+            },
+            // Safe because detect() checked for platform support.
+            #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+            Platform::AVX512 => unsafe {
+                // The Rust hash_many implementations do bounds checking on the `out`
+                // array, but the C implementations don't. Even though this is an unsafe
+                // function, assert the bounds here.
+                assert!(out.len() >= inputs.len() * OUT_LEN);
+                crate::ffi::blake3_hash_many_avx512(
+                    inputs.as_ptr() as *const *const u8,
+                    inputs.len(),
+                    N / BLOCK_LEN,
+                    key.as_ptr(),
+                    counter,
+                    increment_counter.yes(),
+                    flags,
+                    flags_start,
+                    flags_end,
+                    out.as_mut_ptr(),
+                )
+            },
+        }
+    }
+
+    // Explicit platform constructors, for benchmarks.
+
+    pub fn portable() -> Self {
+        Self::Portable
+    }
+
+    #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+    pub fn sse2() -> Option<Self> {
+        if sse2_detected() {
+            Some(Self::SSE2)
+        } else {
+            None
+        }
+    }
+
+    #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+    pub fn sse41() -> Option<Self> {
+        if sse41_detected() {
+            Some(Self::SSE41)
+        } else {
+            None
+        }
+    }
+
+    #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+    pub fn avx2() -> Option<Self> {
+        if avx2_detected() {
+            Some(Self::AVX2)
+        } else {
+            None
+        }
+    }
+
+    #[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+    pub fn avx512() -> Option<Self> {
+        if avx512_detected() {
+            Some(Self::AVX512)
+        } else {
+            None
+        }
+    }
+}
+
+// Note that AVX-512 is divided into multiple featuresets, and we use two of
+// them, F and VL.
+#[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+#[inline(always)]
+pub fn avx512_detected() -> bool {
+    // A testing-only short-circuit.
+    if cfg!(feature = "no_avx512") {
+        return false;
+    }
+
+    is_x86_feature_detected!("avx512f") && is_x86_feature_detected!("avx512vl")
+}
+
+#[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+#[inline(always)]
+pub fn avx2_detected() -> bool {
+    // A testing-only short-circuit.
+    if cfg!(feature = "no_avx2") {
+        return false;
+    }
+
+    is_x86_feature_detected!("avx2")
+}
+
+#[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+#[inline(always)]
+pub fn sse41_detected() -> bool {
+    // A testing-only short-circuit.
+    if cfg!(feature = "no_sse41") {
+        return false;
+    }
+
+    is_x86_feature_detected!("sse4.1")
+}
+
+#[cfg(any(target_arch = "x86", target_arch = "x86_64"))]
+#[inline(always)]
+#[allow(unreachable_code)]
+pub fn sse2_detected() -> bool {
+    // A testing-only short-circuit.
+    if cfg!(feature = "no_sse2") {
+        return false;
+    }
+
+    is_x86_feature_detected!("sse2")
+}
+
+#[inline(always)]
+pub fn words_from_le_bytes_32(bytes: &[u8; 32]) -> [u32; 8] {
+    // SAFETY: converting [u8; _] to [[u8; _]; _]  of matching size is always valid.
+    let words: [[u8; 4]; 8] = unsafe { std::mem::transmute(*bytes) };
+    [
+        u32::from_le_bytes(words[0]),
+        u32::from_le_bytes(words[1]),
+        u32::from_le_bytes(words[2]),
+        u32::from_le_bytes(words[3]),
+        u32::from_le_bytes(words[4]),
+        u32::from_le_bytes(words[5]),
+        u32::from_le_bytes(words[6]),
+        u32::from_le_bytes(words[7]),
+    ]
+}
+
+#[inline(always)]
+pub fn words_from_le_bytes_64(bytes: &[u8; 64]) -> [u32; 16] {
+    // SAFETY: converting [u8; _] to [[u8; _]; _]  of matching size is always valid.
+    let words: [[u8; 4]; 16] = unsafe { std::mem::transmute(*bytes) };
+    [
+        u32::from_le_bytes(words[0]),
+        u32::from_le_bytes(words[1]),
+        u32::from_le_bytes(words[2]),
+        u32::from_le_bytes(words[3]),
+        u32::from_le_bytes(words[4]),
+        u32::from_le_bytes(words[5]),
+        u32::from_le_bytes(words[6]),
+        u32::from_le_bytes(words[7]),
+        u32::from_le_bytes(words[8]),
+        u32::from_le_bytes(words[9]),
+        u32::from_le_bytes(words[10]),
+        u32::from_le_bytes(words[11]),
+        u32::from_le_bytes(words[12]),
+        u32::from_le_bytes(words[13]),
+        u32::from_le_bytes(words[14]),
+        u32::from_le_bytes(words[15]),
+    ]
+}
+
+#[inline(always)]
+pub fn le_bytes_from_words_32(words: &[u32; 8]) -> [u8; 32] {
+    let out = [
+        words[0].to_le_bytes(),
+        words[1].to_le_bytes(),
+        words[2].to_le_bytes(),
+        words[3].to_le_bytes(),
+        words[4].to_le_bytes(),
+        words[5].to_le_bytes(),
+        words[6].to_le_bytes(),
+        words[7].to_le_bytes(),
+    ];
+    // SAFETY: converting [[u8; _]; _] to [u8; _] of matching size is always valid.
+    unsafe { std::mem::transmute(out) }
+}
+
+#[inline(always)]
+pub fn le_bytes_from_words_64(words: &[u32; 16]) -> [u8; 64] {
+    let out = [
+        words[0].to_le_bytes(),
+        words[1].to_le_bytes(),
+        words[2].to_le_bytes(),
+        words[3].to_le_bytes(),
+        words[4].to_le_bytes(),
+        words[5].to_le_bytes(),
+        words[6].to_le_bytes(),
+        words[7].to_le_bytes(),
+        words[8].to_le_bytes(),
+        words[9].to_le_bytes(),
+        words[10].to_le_bytes(),
+        words[11].to_le_bytes(),
+        words[12].to_le_bytes(),
+        words[13].to_le_bytes(),
+        words[14].to_le_bytes(),
+        words[15].to_le_bytes(),
+    ];
+    // SAFETY: converting [[u8; _]; _] to [u8; _] of matching size is always valid.
+    unsafe { std::mem::transmute(out) }
+}
diff --git a/ext/blake3-smol/src/portable.rs b/ext/blake3-smol/src/portable.rs
new file mode 100644 (file)
index 0000000..4586383
--- /dev/null
@@ -0,0 +1,184 @@
+use crate::{
+    counter_high, counter_low, slice, CVBytes, CVWords, IncrementCounter, BLOCK_LEN, IV,
+    MSG_SCHEDULE, OUT_LEN,
+};
+
+#[inline(always)]
+fn g(state: &mut [u32; 16], a: usize, b: usize, c: usize, d: usize, x: u32, y: u32) {
+    state[a] = state[a].wrapping_add(state[b]).wrapping_add(x);
+    state[d] = (state[d] ^ state[a]).rotate_right(16);
+    state[c] = state[c].wrapping_add(state[d]);
+    state[b] = (state[b] ^ state[c]).rotate_right(12);
+    state[a] = state[a].wrapping_add(state[b]).wrapping_add(y);
+    state[d] = (state[d] ^ state[a]).rotate_right(8);
+    state[c] = state[c].wrapping_add(state[d]);
+    state[b] = (state[b] ^ state[c]).rotate_right(7);
+}
+
+#[inline(always)]
+fn round(state: &mut [u32; 16], msg: &[u32; 16], round: usize) {
+    // Select the message schedule based on the round.
+    let schedule = MSG_SCHEDULE[round];
+
+    // Mix the columns.
+    g(state, 0, 4, 8, 12, msg[schedule[0]], msg[schedule[1]]);
+    g(state, 1, 5, 9, 13, msg[schedule[2]], msg[schedule[3]]);
+    g(state, 2, 6, 10, 14, msg[schedule[4]], msg[schedule[5]]);
+    g(state, 3, 7, 11, 15, msg[schedule[6]], msg[schedule[7]]);
+
+    // Mix the diagonals.
+    g(state, 0, 5, 10, 15, msg[schedule[8]], msg[schedule[9]]);
+    g(state, 1, 6, 11, 12, msg[schedule[10]], msg[schedule[11]]);
+    g(state, 2, 7, 8, 13, msg[schedule[12]], msg[schedule[13]]);
+    g(state, 3, 4, 9, 14, msg[schedule[14]], msg[schedule[15]]);
+}
+
+#[inline(always)]
+fn compress_pre(
+    cv: &CVWords,
+    block: &[u8; BLOCK_LEN],
+    block_len: u8,
+    counter: u64,
+    flags: u8,
+) -> [u32; 16] {
+    let block_words = crate::platform::words_from_le_bytes_64(block);
+
+    let mut state = [
+        cv[0],
+        cv[1],
+        cv[2],
+        cv[3],
+        cv[4],
+        cv[5],
+        cv[6],
+        cv[7],
+        IV[0],
+        IV[1],
+        IV[2],
+        IV[3],
+        counter_low(counter),
+        counter_high(counter),
+        block_len as u32,
+        flags as u32,
+    ];
+
+    round(&mut state, &block_words, 0);
+    round(&mut state, &block_words, 1);
+    round(&mut state, &block_words, 2);
+    round(&mut state, &block_words, 3);
+    round(&mut state, &block_words, 4);
+    round(&mut state, &block_words, 5);
+    round(&mut state, &block_words, 6);
+
+    state
+}
+
+pub fn compress_in_place(
+    cv: &mut CVWords,
+    block: &[u8; BLOCK_LEN],
+    block_len: u8,
+    counter: u64,
+    flags: u8,
+) {
+    let state = compress_pre(cv, block, block_len, counter, flags);
+
+    cv[0] = state[0] ^ state[8];
+    cv[1] = state[1] ^ state[9];
+    cv[2] = state[2] ^ state[10];
+    cv[3] = state[3] ^ state[11];
+    cv[4] = state[4] ^ state[12];
+    cv[5] = state[5] ^ state[13];
+    cv[6] = state[6] ^ state[14];
+    cv[7] = state[7] ^ state[15];
+}
+
+pub fn compress_xof(
+    cv: &CVWords,
+    block: &[u8; BLOCK_LEN],
+    block_len: u8,
+    counter: u64,
+    flags: u8,
+) -> [u8; 64] {
+    let mut state = compress_pre(cv, block, block_len, counter, flags);
+    state[0] ^= state[8];
+    state[1] ^= state[9];
+    state[2] ^= state[10];
+    state[3] ^= state[11];
+    state[4] ^= state[12];
+    state[5] ^= state[13];
+    state[6] ^= state[14];
+    state[7] ^= state[15];
+    state[8] ^= cv[0];
+    state[9] ^= cv[1];
+    state[10] ^= cv[2];
+    state[11] ^= cv[3];
+    state[12] ^= cv[4];
+    state[13] ^= cv[5];
+    state[14] ^= cv[6];
+    state[15] ^= cv[7];
+    crate::platform::le_bytes_from_words_64(&state)
+}
+
+pub fn hash1<const N: usize>(
+    input: &[u8; N],
+    key: &CVWords,
+    counter: u64,
+    flags: u8,
+    flags_start: u8,
+    flags_end: u8,
+    out: &mut CVBytes,
+) {
+    debug_assert_eq!(N % BLOCK_LEN, 0, "uneven blocks");
+    let mut cv = *key;
+    let mut block_flags = flags | flags_start;
+    let mut slice = &input[..];
+    while slice.len() >= BLOCK_LEN {
+        if slice.len() == BLOCK_LEN {
+            block_flags |= flags_end;
+        }
+        let (block, rem) = slice::split_array_ref(slice);
+        compress_in_place(&mut cv, block, BLOCK_LEN as u8, counter, block_flags);
+        block_flags = flags;
+        slice = rem;
+    }
+    *out = crate::platform::le_bytes_from_words_32(&cv);
+}
+
+pub fn hash_many<const N: usize>(
+    inputs: &[&[u8; N]],
+    key: &CVWords,
+    mut counter: u64,
+    increment_counter: IncrementCounter,
+    flags: u8,
+    flags_start: u8,
+    flags_end: u8,
+    out: &mut [u8],
+) {
+    debug_assert!(out.len() >= inputs.len() * OUT_LEN, "out too short");
+    for (&input, output) in inputs.iter().zip(slice::array_chunks_mut(out)) {
+        hash1(input, key, counter, flags, flags_start, flags_end, output);
+        if increment_counter.yes() {
+            counter += 1;
+        }
+    }
+}
+
+#[cfg(test)]
+pub mod test {
+    use super::*;
+
+    // This is basically testing the portable implementation against itself,
+    // but it also checks that compress_in_place and compress_xof are
+    // consistent. And there are tests against the reference implementation and
+    // against hardcoded test vectors elsewhere.
+    #[test]
+    fn test_compress() {
+        crate::test::test_compress_fn(compress_in_place, compress_xof);
+    }
+
+    // Ditto.
+    #[test]
+    fn test_hash_many() {
+        crate::test::test_hash_many_fn(hash_many, hash_many);
+    }
+}
diff --git a/ext/blake3-smol/src/reference.rs b/ext/blake3-smol/src/reference.rs
new file mode 100644 (file)
index 0000000..83ac795
--- /dev/null
@@ -0,0 +1,384 @@
+//! This is the reference implementation of BLAKE3. It is used for testing and
+//! as a readable example of the algorithms involved. Section 5.1 of [the BLAKE3
+//! spec](https://github.com/BLAKE3-team/BLAKE3-specs/blob/master/blake3.pdf)
+//! discusses this implementation. You can render docs for this implementation
+//! by running `cargo doc --open` in this directory.
+//!
+//! # Example
+//!
+//! ```
+//! let mut hasher = reference_impl::Hasher::new();
+//! hasher.update(b"abc");
+//! hasher.update(b"def");
+//! let mut hash = [0; 32];
+//! hasher.finalize(&mut hash);
+//! let mut extended_hash = [0; 500];
+//! hasher.finalize(&mut extended_hash);
+//! assert_eq!(hash, extended_hash[..32]);
+//! ```
+
+use core::cmp::min;
+use core::convert::TryInto;
+
+const OUT_LEN: usize = 32;
+const KEY_LEN: usize = 32;
+const BLOCK_LEN: usize = 64;
+const CHUNK_LEN: usize = 1024;
+
+const CHUNK_START: u32 = 1 << 0;
+const CHUNK_END: u32 = 1 << 1;
+const PARENT: u32 = 1 << 2;
+const ROOT: u32 = 1 << 3;
+const KEYED_HASH: u32 = 1 << 4;
+const DERIVE_KEY_CONTEXT: u32 = 1 << 5;
+const DERIVE_KEY_MATERIAL: u32 = 1 << 6;
+
+const IV: [u32; 8] = [
+    0x6A09E667, 0xBB67AE85, 0x3C6EF372, 0xA54FF53A, 0x510E527F, 0x9B05688C, 0x1F83D9AB, 0x5BE0CD19,
+];
+
+const MSG_PERMUTATION: [usize; 16] = [2, 6, 3, 10, 7, 0, 4, 13, 1, 11, 12, 5, 9, 14, 15, 8];
+
+// The mixing function, G, which mixes either a column or a diagonal.
+fn g(state: &mut [u32; 16], a: usize, b: usize, c: usize, d: usize, mx: u32, my: u32) {
+    state[a] = state[a].wrapping_add(state[b]).wrapping_add(mx);
+    state[d] = (state[d] ^ state[a]).rotate_right(16);
+    state[c] = state[c].wrapping_add(state[d]);
+    state[b] = (state[b] ^ state[c]).rotate_right(12);
+    state[a] = state[a].wrapping_add(state[b]).wrapping_add(my);
+    state[d] = (state[d] ^ state[a]).rotate_right(8);
+    state[c] = state[c].wrapping_add(state[d]);
+    state[b] = (state[b] ^ state[c]).rotate_right(7);
+}
+
+fn round(state: &mut [u32; 16], m: &[u32; 16]) {
+    // Mix the columns.
+    g(state, 0, 4, 8, 12, m[0], m[1]);
+    g(state, 1, 5, 9, 13, m[2], m[3]);
+    g(state, 2, 6, 10, 14, m[4], m[5]);
+    g(state, 3, 7, 11, 15, m[6], m[7]);
+    // Mix the diagonals.
+    g(state, 0, 5, 10, 15, m[8], m[9]);
+    g(state, 1, 6, 11, 12, m[10], m[11]);
+    g(state, 2, 7, 8, 13, m[12], m[13]);
+    g(state, 3, 4, 9, 14, m[14], m[15]);
+}
+
+fn permute(m: &mut [u32; 16]) {
+    let mut permuted = [0; 16];
+    for i in 0..16 {
+        permuted[i] = m[MSG_PERMUTATION[i]];
+    }
+    *m = permuted;
+}
+
+fn compress(
+    chaining_value: &[u32; 8],
+    block_words: &[u32; 16],
+    counter: u64,
+    block_len: u32,
+    flags: u32,
+) -> [u32; 16] {
+    let mut state = [
+        chaining_value[0],
+        chaining_value[1],
+        chaining_value[2],
+        chaining_value[3],
+        chaining_value[4],
+        chaining_value[5],
+        chaining_value[6],
+        chaining_value[7],
+        IV[0],
+        IV[1],
+        IV[2],
+        IV[3],
+        counter as u32,
+        (counter >> 32) as u32,
+        block_len,
+        flags,
+    ];
+    let mut block = *block_words;
+
+    round(&mut state, &block); // round 1
+    permute(&mut block);
+    round(&mut state, &block); // round 2
+    permute(&mut block);
+    round(&mut state, &block); // round 3
+    permute(&mut block);
+    round(&mut state, &block); // round 4
+    permute(&mut block);
+    round(&mut state, &block); // round 5
+    permute(&mut block);
+    round(&mut state, &block); // round 6
+    permute(&mut block);
+    round(&mut state, &block); // round 7
+
+    for i in 0..8 {
+        state[i] ^= state[i + 8];
+        state[i + 8] ^= chaining_value[i];
+    }
+    state
+}
+
+fn first_8_words(compression_output: [u32; 16]) -> [u32; 8] {
+    compression_output[0..8].try_into().unwrap()
+}
+
+fn words_from_little_endian_bytes(bytes: &[u8], words: &mut [u32]) {
+    debug_assert_eq!(bytes.len(), 4 * words.len());
+    for (four_bytes, word) in bytes.chunks_exact(4).zip(words) {
+        *word = u32::from_le_bytes(four_bytes.try_into().unwrap());
+    }
+}
+
+// Each chunk or parent node can produce either an 8-word chaining value or, by
+// setting the ROOT flag, any number of final output bytes. The Output struct
+// captures the state just prior to choosing between those two possibilities.
+struct Output {
+    input_chaining_value: [u32; 8],
+    block_words: [u32; 16],
+    counter: u64,
+    block_len: u32,
+    flags: u32,
+}
+
+impl Output {
+    fn chaining_value(&self) -> [u32; 8] {
+        first_8_words(compress(
+            &self.input_chaining_value,
+            &self.block_words,
+            self.counter,
+            self.block_len,
+            self.flags,
+        ))
+    }
+
+    fn root_output_bytes(&self, out_slice: &mut [u8]) {
+        let mut output_block_counter = 0;
+        for out_block in out_slice.chunks_mut(2 * OUT_LEN) {
+            let words = compress(
+                &self.input_chaining_value,
+                &self.block_words,
+                output_block_counter,
+                self.block_len,
+                self.flags | ROOT,
+            );
+            // The output length might not be a multiple of 4.
+            for (word, out_word) in words.iter().zip(out_block.chunks_mut(4)) {
+                out_word.copy_from_slice(&word.to_le_bytes()[..out_word.len()]);
+            }
+            output_block_counter += 1;
+        }
+    }
+}
+
+struct ChunkState {
+    chaining_value: [u32; 8],
+    chunk_counter: u64,
+    block: [u8; BLOCK_LEN],
+    block_len: u8,
+    blocks_compressed: u8,
+    flags: u32,
+}
+
+impl ChunkState {
+    fn new(key_words: [u32; 8], chunk_counter: u64, flags: u32) -> Self {
+        Self {
+            chaining_value: key_words,
+            chunk_counter,
+            block: [0; BLOCK_LEN],
+            block_len: 0,
+            blocks_compressed: 0,
+            flags,
+        }
+    }
+
+    fn len(&self) -> usize {
+        BLOCK_LEN * self.blocks_compressed as usize + self.block_len as usize
+    }
+
+    fn start_flag(&self) -> u32 {
+        if self.blocks_compressed == 0 {
+            CHUNK_START
+        } else {
+            0
+        }
+    }
+
+    fn update(&mut self, mut input: &[u8]) {
+        while !input.is_empty() {
+            // If the block buffer is full, compress it and clear it. More
+            // input is coming, so this compression is not CHUNK_END.
+            if self.block_len as usize == BLOCK_LEN {
+                let mut block_words = [0; 16];
+                words_from_little_endian_bytes(&self.block, &mut block_words);
+                self.chaining_value = first_8_words(compress(
+                    &self.chaining_value,
+                    &block_words,
+                    self.chunk_counter,
+                    BLOCK_LEN as u32,
+                    self.flags | self.start_flag(),
+                ));
+                self.blocks_compressed += 1;
+                self.block = [0; BLOCK_LEN];
+                self.block_len = 0;
+            }
+
+            // Copy input bytes into the block buffer.
+            let want = BLOCK_LEN - self.block_len as usize;
+            let take = min(want, input.len());
+            self.block[self.block_len as usize..][..take].copy_from_slice(&input[..take]);
+            self.block_len += take as u8;
+            input = &input[take..];
+        }
+    }
+
+    fn output(&self) -> Output {
+        let mut block_words = [0; 16];
+        words_from_little_endian_bytes(&self.block, &mut block_words);
+        Output {
+            input_chaining_value: self.chaining_value,
+            block_words,
+            counter: self.chunk_counter,
+            block_len: self.block_len as u32,
+            flags: self.flags | self.start_flag() | CHUNK_END,
+        }
+    }
+}
+
+fn parent_output(
+    left_child_cv: [u32; 8],
+    right_child_cv: [u32; 8],
+    key_words: [u32; 8],
+    flags: u32,
+) -> Output {
+    let mut block_words = [0; 16];
+    block_words[..8].copy_from_slice(&left_child_cv);
+    block_words[8..].copy_from_slice(&right_child_cv);
+    Output {
+        input_chaining_value: key_words,
+        block_words,
+        counter: 0,                  // Always 0 for parent nodes.
+        block_len: BLOCK_LEN as u32, // Always BLOCK_LEN (64) for parent nodes.
+        flags: PARENT | flags,
+    }
+}
+
+fn parent_cv(
+    left_child_cv: [u32; 8],
+    right_child_cv: [u32; 8],
+    key_words: [u32; 8],
+    flags: u32,
+) -> [u32; 8] {
+    parent_output(left_child_cv, right_child_cv, key_words, flags).chaining_value()
+}
+
+/// An incremental hasher that can accept any number of writes.
+pub struct Hasher {
+    chunk_state: ChunkState,
+    key_words: [u32; 8],
+    cv_stack: [[u32; 8]; 54], // Space for 54 subtree chaining values:
+    cv_stack_len: u8,         // 2^54 * CHUNK_LEN = 2^64
+    flags: u32,
+}
+
+impl Hasher {
+    fn new_internal(key_words: [u32; 8], flags: u32) -> Self {
+        Self {
+            chunk_state: ChunkState::new(key_words, 0, flags),
+            key_words,
+            cv_stack: [[0; 8]; 54],
+            cv_stack_len: 0,
+            flags,
+        }
+    }
+
+    /// Construct a new `Hasher` for the regular hash function.
+    pub fn new() -> Self {
+        Self::new_internal(IV, 0)
+    }
+
+    /// Construct a new `Hasher` for the keyed hash function.
+    pub fn new_keyed(key: &[u8; KEY_LEN]) -> Self {
+        let mut key_words = [0; 8];
+        words_from_little_endian_bytes(key, &mut key_words);
+        Self::new_internal(key_words, KEYED_HASH)
+    }
+
+    /// Construct a new `Hasher` for the key derivation function. The context
+    /// string should be hardcoded, globally unique, and application-specific.
+    pub fn new_derive_key(context: &str) -> Self {
+        let mut context_hasher = Self::new_internal(IV, DERIVE_KEY_CONTEXT);
+        context_hasher.update(context.as_bytes());
+        let mut context_key = [0; KEY_LEN];
+        context_hasher.finalize(&mut context_key);
+        let mut context_key_words = [0; 8];
+        words_from_little_endian_bytes(&context_key, &mut context_key_words);
+        Self::new_internal(context_key_words, DERIVE_KEY_MATERIAL)
+    }
+
+    fn push_stack(&mut self, cv: [u32; 8]) {
+        self.cv_stack[self.cv_stack_len as usize] = cv;
+        self.cv_stack_len += 1;
+    }
+
+    fn pop_stack(&mut self) -> [u32; 8] {
+        self.cv_stack_len -= 1;
+        self.cv_stack[self.cv_stack_len as usize]
+    }
+
+    // Section 5.1.2 of the BLAKE3 spec explains this algorithm in more detail.
+    fn add_chunk_chaining_value(&mut self, mut new_cv: [u32; 8], mut total_chunks: u64) {
+        // This chunk might complete some subtrees. For each completed subtree,
+        // its left child will be the current top entry in the CV stack, and
+        // its right child will be the current value of `new_cv`. Pop each left
+        // child off the stack, merge it with `new_cv`, and overwrite `new_cv`
+        // with the result. After all these merges, push the final value of
+        // `new_cv` onto the stack. The number of completed subtrees is given
+        // by the number of trailing 0-bits in the new total number of chunks.
+        while total_chunks & 1 == 0 {
+            new_cv = parent_cv(self.pop_stack(), new_cv, self.key_words, self.flags);
+            total_chunks >>= 1;
+        }
+        self.push_stack(new_cv);
+    }
+
+    /// Add input to the hash state. This can be called any number of times.
+    pub fn update(&mut self, mut input: &[u8]) {
+        while !input.is_empty() {
+            // If the current chunk is complete, finalize it and reset the
+            // chunk state. More input is coming, so this chunk is not ROOT.
+            if self.chunk_state.len() == CHUNK_LEN {
+                let chunk_cv = self.chunk_state.output().chaining_value();
+                let total_chunks = self.chunk_state.chunk_counter + 1;
+                self.add_chunk_chaining_value(chunk_cv, total_chunks);
+                self.chunk_state = ChunkState::new(self.key_words, total_chunks, self.flags);
+            }
+
+            // Compress input bytes into the current chunk state.
+            let want = CHUNK_LEN - self.chunk_state.len();
+            let take = min(want, input.len());
+            self.chunk_state.update(&input[..take]);
+            input = &input[take..];
+        }
+    }
+
+    /// Finalize the hash and write any number of output bytes.
+    pub fn finalize(&self, out_slice: &mut [u8]) {
+        // Starting with the Output from the current chunk, compute all the
+        // parent chaining values along the right edge of the tree, until we
+        // have the root Output.
+        let mut output = self.chunk_state.output();
+        let mut parent_nodes_remaining = self.cv_stack_len as usize;
+        while parent_nodes_remaining > 0 {
+            parent_nodes_remaining -= 1;
+            output = parent_output(
+                self.cv_stack[parent_nodes_remaining],
+                output.chaining_value(),
+                self.key_words,
+                self.flags,
+            );
+        }
+        output.root_output_bytes(out_slice);
+    }
+}
diff --git a/ext/blake3-smol/src/slice.rs b/ext/blake3-smol/src/slice.rs
new file mode 100644 (file)
index 0000000..20e090c
--- /dev/null
@@ -0,0 +1,353 @@
+#![allow(unused)]
+
+use std::{
+    iter::FusedIterator,
+    slice::{Iter, IterMut},
+};
+
+/// Shim implementation of some unstable Rust stdlib functions.
+
+/// An iterator over a slice in (non-overlapping) chunks (`N` elements at a
+/// time), starting at the beginning of the slice.
+///
+/// When the slice len is not evenly divided by the chunk size, the last
+/// up to `N-1` elements will be omitted but can be retrieved from
+/// the [`remainder`] function from the iterator.
+///
+/// This struct is created by the [`array_chunks`] method on [slices].
+///
+/// [`array_chunks`]: slice::array_chunks
+/// [`remainder`]: ArrayChunks::remainder
+/// [slices]: slice
+#[derive(Debug)]
+#[must_use = "iterators are lazy and do nothing unless consumed"]
+pub struct ArrayChunks<'a, T: 'a, const N: usize> {
+    iter: Iter<'a, [T; N]>,
+    rem: &'a [T],
+}
+
+impl<'a, T, const N: usize> ArrayChunks<'a, T, N> {
+    #[inline]
+    pub(super) fn new(slice: &'a [T]) -> Self {
+        let (array_slice, rem) = as_chunks(slice);
+        Self {
+            iter: array_slice.iter(),
+            rem,
+        }
+    }
+
+    /// Returns the remainder of the original slice that is not going to be
+    /// returned by the iterator. The returned slice has at most `N-1`
+    /// elements.
+    #[must_use]
+    pub fn remainder(&self) -> &'a [T] {
+        self.rem
+    }
+}
+
+// FIXME(#26925) Remove in favor of `#[derive(Clone)]`
+impl<T, const N: usize> Clone for ArrayChunks<'_, T, N> {
+    fn clone(&self) -> Self {
+        ArrayChunks {
+            iter: self.iter.clone(),
+            rem: self.rem,
+        }
+    }
+}
+
+impl<'a, T, const N: usize> Iterator for ArrayChunks<'a, T, N> {
+    type Item = &'a [T; N];
+
+    #[inline]
+    fn next(&mut self) -> Option<&'a [T; N]> {
+        self.iter.next()
+    }
+
+    #[inline]
+    fn size_hint(&self) -> (usize, Option<usize>) {
+        self.iter.size_hint()
+    }
+
+    #[inline]
+    fn count(self) -> usize {
+        self.iter.count()
+    }
+
+    #[inline]
+    fn nth(&mut self, n: usize) -> Option<Self::Item> {
+        self.iter.nth(n)
+    }
+
+    #[inline]
+    fn last(self) -> Option<Self::Item> {
+        self.iter.last()
+    }
+}
+
+impl<'a, T, const N: usize> DoubleEndedIterator for ArrayChunks<'a, T, N> {
+    #[inline]
+    fn next_back(&mut self) -> Option<&'a [T; N]> {
+        self.iter.next_back()
+    }
+
+    #[inline]
+    fn nth_back(&mut self, n: usize) -> Option<Self::Item> {
+        self.iter.nth_back(n)
+    }
+}
+
+impl<T, const N: usize> ExactSizeIterator for ArrayChunks<'_, T, N> {}
+
+impl<T, const N: usize> FusedIterator for ArrayChunks<'_, T, N> {}
+
+/// An iterator over a slice in (non-overlapping) mutable chunks (`N` elements
+/// at a time), starting at the beginning of the slice.
+///
+/// When the slice len is not evenly divided by the chunk size, the last
+/// up to `N-1` elements will be omitted but can be retrieved from
+/// the [`into_remainder`] function from the iterator.
+///
+/// This struct is created by the [`array_chunks_mut`] method on [slices].f
+///
+/// [`array_chunks_mut`]: slice::array_chunks_mut
+/// [`into_remainder`]: ../../std/slice/struct.ArrayChunksMut.html#method.into_remainder
+/// [slices]: slice
+#[derive(Debug)]
+#[must_use = "iterators are lazy and do nothing unless consumed"]
+pub struct ArrayChunksMut<'a, T: 'a, const N: usize> {
+    iter: IterMut<'a, [T; N]>,
+    rem: &'a mut [T],
+}
+
+impl<'a, T, const N: usize> ArrayChunksMut<'a, T, N> {
+    #[inline]
+    pub(super) fn new(slice: &'a mut [T]) -> Self {
+        let (array_slice, rem) = as_chunks_mut(slice);
+        Self {
+            iter: array_slice.iter_mut(),
+            rem,
+        }
+    }
+
+    /// Returns the remainder of the original slice that is not going to be
+    /// returned by the iterator. The returned slice has at most `N-1`
+    /// elements.
+    #[must_use = "`self` will be dropped if the result is not used"]
+    pub fn into_remainder(self) -> &'a mut [T] {
+        self.rem
+    }
+}
+
+impl<'a, T, const N: usize> Iterator for ArrayChunksMut<'a, T, N> {
+    type Item = &'a mut [T; N];
+
+    #[inline]
+    fn next(&mut self) -> Option<&'a mut [T; N]> {
+        self.iter.next()
+    }
+
+    #[inline]
+    fn size_hint(&self) -> (usize, Option<usize>) {
+        self.iter.size_hint()
+    }
+
+    #[inline]
+    fn count(self) -> usize {
+        self.iter.count()
+    }
+
+    #[inline]
+    fn nth(&mut self, n: usize) -> Option<Self::Item> {
+        self.iter.nth(n)
+    }
+
+    #[inline]
+    fn last(self) -> Option<Self::Item> {
+        self.iter.last()
+    }
+}
+
+impl<'a, T, const N: usize> DoubleEndedIterator for ArrayChunksMut<'a, T, N> {
+    #[inline]
+    fn next_back(&mut self) -> Option<&'a mut [T; N]> {
+        self.iter.next_back()
+    }
+
+    #[inline]
+    fn nth_back(&mut self, n: usize) -> Option<Self::Item> {
+        self.iter.nth_back(n)
+    }
+}
+
+impl<T, const N: usize> ExactSizeIterator for ArrayChunksMut<'_, T, N> {}
+
+impl<T, const N: usize> FusedIterator for ArrayChunksMut<'_, T, N> {}
+
+/// Returns an iterator over `N` elements of the slice at a time, starting at the
+/// beginning of the slice.
+///
+/// The chunks are array references and do not overlap. If `N` does not divide the
+/// length of the slice, then the last up to `N-1` elements will be omitted and can be
+/// retrieved from the `remainder` function of the iterator.
+///
+/// This method is the const generic equivalent of [`chunks_exact`].
+///
+/// # Panics
+///
+/// Panics if `N` is 0. This check will most probably get changed to a compile time
+/// error before this method gets stabilized.
+///
+/// [`chunks_exact`]: slice::chunks_exact
+#[inline]
+pub fn array_chunks<T, const N: usize>(slice: &[T]) -> ArrayChunks<'_, T, N> {
+    assert_ne!(N, 0);
+    ArrayChunks::new(slice)
+}
+
+/// Returns an iterator over `N` elements of the slice at a time, starting at the
+/// beginning of the slice.
+///
+/// The chunks are mutable array references and do not overlap. If `N` does not divide
+/// the length of the slice, then the last up to `N-1` elements will be omitted and
+/// can be retrieved from the `into_remainder` function of the iterator.
+///
+/// This method is the const generic equivalent of [`chunks_exact_mut`].
+///
+/// # Panics
+///
+/// Panics if `N` is 0. This check will most probably get changed to a compile time
+/// error before this method gets stabilized.
+///
+/// [`chunks_exact_mut`]: slice::chunks_exact_mut
+#[inline]
+pub fn array_chunks_mut<T, const N: usize>(slice: &mut [T]) -> ArrayChunksMut<'_, T, N> {
+    assert_ne!(N, 0);
+    ArrayChunksMut::new(slice)
+}
+
+/// Splits the slice into a slice of `N`-element arrays,
+/// assuming that there's no remainder.
+///
+/// # Safety
+///
+/// This may only be called when
+/// - The slice splits exactly into `N`-element chunks (aka `self.len() % N == 0`).
+/// - `N != 0`.
+///
+/// // These would be unsound:
+/// // let chunks: &[[_; 5]] = slice.as_chunks_unchecked() // The slice length is not a multiple of 5
+/// // let chunks: &[[_; 0]] = slice.as_chunks_unchecked() // Zero-length chunks are never allowed
+/// ```
+#[inline]
+#[must_use]
+pub unsafe fn as_chunks_unchecked<T, const N: usize>(slice: &[T]) -> &[[T; N]] {
+    // SAFETY: Caller must guarantee that `N` is nonzero and exactly divides the slice length
+    let new_len = slice.len() / N;
+    // SAFETY: We cast a slice of `new_len * N` elements into
+    // a slice of `new_len` many `N` elements chunks.
+    unsafe { std::slice::from_raw_parts(slice.as_ptr().cast(), new_len) }
+}
+
+/// Splits the slice into a slice of `N`-element arrays,
+/// starting at the beginning of the slice,
+/// and a remainder slice with length strictly less than `N`.
+///
+/// # Panics
+///
+/// Panics if `N` is 0. This check will most probably get changed to a compile time
+/// error before this method gets stabilized.
+///
+#[inline]
+#[must_use]
+pub fn as_chunks<T, const N: usize>(slice: &[T]) -> (&[[T; N]], &[T]) {
+    assert_ne!(N, 0);
+    let len = slice.len() / N;
+    let (multiple_of_n, remainder) = slice.split_at(len * N);
+    // SAFETY: We already panicked for zero, and ensured by construction
+    // that the length of the subslice is a multiple of N.
+    let array_slice = unsafe { as_chunks_unchecked(multiple_of_n) };
+    (array_slice, remainder)
+}
+
+/// Splits the slice into a slice of `N`-element arrays,
+/// assuming that there's no remainder.
+///
+/// # Safety
+///
+/// This may only be called when
+/// - The slice splits exactly into `N`-element chunks (aka `self.len() % N == 0`).
+/// - `N != 0`.
+///
+/// // These would be unsound:
+/// // let chunks: &[[_; 5]] = slice.as_chunks_unchecked_mut() // The slice length is not a multiple of 5
+/// // let chunks: &[[_; 0]] = slice.as_chunks_unchecked_mut() // Zero-length chunks are never allowed
+/// ```
+#[inline]
+#[must_use]
+pub unsafe fn as_chunks_unchecked_mut<T, const N: usize>(slice: &mut [T]) -> &mut [[T; N]] {
+    let this = &*slice;
+    // SAFETY: Caller must guarantee that `N` is nonzero and exactly divides the slice length
+    let new_len = this.len() / N;
+    // SAFETY: We cast a slice of `new_len * N` elements into
+    // a slice of `new_len` many `N` elements chunks.
+    unsafe { std::slice::from_raw_parts_mut(slice.as_mut_ptr().cast(), new_len) }
+}
+
+/// Splits the slice into a slice of `N`-element arrays,
+/// starting at the beginning of the slice,
+/// and a remainder slice with length strictly less than `N`.
+///
+/// # Panics
+///
+/// Panics if `N` is 0. This check will most probably get changed to a compile time
+/// error before this method gets stabilized.
+/// ```
+#[inline]
+#[must_use]
+pub fn as_chunks_mut<T, const N: usize>(slice: &mut [T]) -> (&mut [[T; N]], &mut [T]) {
+    assert_ne!(N, 0);
+    let len = slice.len() / N;
+    let (multiple_of_n, remainder) = slice.split_at_mut(len * N);
+    // SAFETY: We already panicked for zero, and ensured by construction
+    // that the length of the subslice is a multiple of N.
+    let array_slice = unsafe { as_chunks_unchecked_mut(multiple_of_n) };
+    (array_slice, remainder)
+}
+
+/// Divides one slice into an array and a remainder slice at an index.
+///
+/// The array will contain all indices from `[0, N)` (excluding
+/// the index `N` itself) and the slice will contain all
+/// indices from `[N, len)` (excluding the index `len` itself).
+///
+/// # Panics
+///
+/// Panics if `N > len`.
+/// ```
+#[inline]
+#[track_caller]
+#[must_use]
+pub fn split_array_ref<T, const N: usize>(slice: &[T]) -> (&[T; N], &[T]) {
+    let (a, b) = slice.split_at(N);
+    // SAFETY: a points to [T; N]? Yes it's [T] of length N (checked by split_at)
+    unsafe { (&*(a.as_ptr() as *const [T; N]), b) }
+}
+
+/// Divides one mutable slice into an array and a remainder slice at an index.
+///
+/// The array will contain all indices from `[0, N)` (excluding
+/// the index `N` itself) and the slice will contain all
+/// indices from `[N, len)` (excluding the index `len` itself).
+///
+/// # Panics
+///
+/// Panics if `N > len`.
+///
+#[inline]
+#[track_caller]
+#[must_use]
+pub fn split_array_mut<T, const N: usize>(slice: &mut [T]) -> (&mut [T; N], &mut [T]) {
+    let (a, b) = slice.split_at_mut(N);
+    // SAFETY: a points to [T; N]? Yes it's [T] of length N (checked by split_at_mut)
+    unsafe { (&mut *(a.as_mut_ptr() as *mut [T; N]), b) }
+}
diff --git a/ext/blake3-smol/src/test.rs b/ext/blake3-smol/src/test.rs
new file mode 100644 (file)
index 0000000..a6b8867
--- /dev/null
@@ -0,0 +1,540 @@
+use crate::{slice, CVBytes, CVWords, IncrementCounter, Refs, BLOCK_LEN, CHUNK_LEN, OUT_LEN};
+use core::usize;
+use rand::prelude::*;
+
+// Interesting input lengths to run tests on.
+pub const TEST_CASES: &[usize] = &[
+    0,
+    1,
+    2,
+    3,
+    4,
+    5,
+    6,
+    7,
+    8,
+    BLOCK_LEN - 1,
+    BLOCK_LEN,
+    BLOCK_LEN + 1,
+    2 * BLOCK_LEN - 1,
+    2 * BLOCK_LEN,
+    2 * BLOCK_LEN + 1,
+    CHUNK_LEN - 1,
+    CHUNK_LEN,
+    CHUNK_LEN + 1,
+    2 * CHUNK_LEN,
+    2 * CHUNK_LEN + 1,
+    3 * CHUNK_LEN,
+    3 * CHUNK_LEN + 1,
+    4 * CHUNK_LEN,
+    4 * CHUNK_LEN + 1,
+    5 * CHUNK_LEN,
+    5 * CHUNK_LEN + 1,
+    6 * CHUNK_LEN,
+    6 * CHUNK_LEN + 1,
+    7 * CHUNK_LEN,
+    7 * CHUNK_LEN + 1,
+    8 * CHUNK_LEN,
+    8 * CHUNK_LEN + 1,
+    16 * CHUNK_LEN,  // AVX512's bandwidth
+    31 * CHUNK_LEN,  // 16 + 8 + 4 + 2 + 1
+    100 * CHUNK_LEN, // subtrees larger than MAX_SIMD_DEGREE chunks
+];
+
+pub const TEST_CASES_MAX: usize = 100 * CHUNK_LEN;
+
+// There's a test to make sure these two are equal below.
+pub const TEST_KEY: CVBytes = *b"whats the Elvish word for friend";
+pub const TEST_KEY_WORDS: CVWords = [
+    1952540791, 1752440947, 1816469605, 1752394102, 1919907616, 1868963940, 1919295602, 1684956521,
+];
+
+// Paint the input with a repeating byte pattern. We use a cycle length of 251,
+// because that's the largets prime number less than 256. This makes it
+// unlikely to swapping any two adjacent input blocks or chunks will give the
+// same answer.
+pub fn paint_test_input(buf: &mut [u8]) {
+    for (i, b) in buf.iter_mut().enumerate() {
+        *b = (i % 251) as u8;
+    }
+}
+
+type CompressInPlaceFn =
+    unsafe fn(cv: &mut CVWords, block: &[u8; BLOCK_LEN], block_len: u8, counter: u64, flags: u8);
+
+type CompressXofFn = unsafe fn(
+    cv: &CVWords,
+    block: &[u8; BLOCK_LEN],
+    block_len: u8,
+    counter: u64,
+    flags: u8,
+) -> [u8; 64];
+
+// A shared helper function for platform-specific tests.
+pub fn test_compress_fn(compress_in_place_fn: CompressInPlaceFn, compress_xof_fn: CompressXofFn) {
+    let initial_state = TEST_KEY_WORDS;
+    let block_len: u8 = 61;
+    let mut block = [0; BLOCK_LEN];
+    paint_test_input(&mut block[..block_len as usize]);
+    // Use a counter with set bits in both 32-bit words.
+    let counter = (5u64 << 32) + 6;
+    let flags = crate::CHUNK_END | crate::ROOT | crate::KEYED_HASH;
+
+    let portable_out =
+        crate::portable::compress_xof(&initial_state, &block, block_len, counter as u64, flags);
+
+    let mut test_state = initial_state;
+    unsafe { compress_in_place_fn(&mut test_state, &block, block_len, counter as u64, flags) };
+    let test_state_bytes = crate::platform::le_bytes_from_words_32(&test_state);
+    let test_xof =
+        unsafe { compress_xof_fn(&initial_state, &block, block_len, counter as u64, flags) };
+
+    assert_eq!(&portable_out[..32], &test_state_bytes[..]);
+    assert_eq!(&portable_out[..], &test_xof[..]);
+}
+
+type HashManyFn<A> = unsafe fn(
+    inputs: &[&A],
+    key: &CVWords,
+    counter: u64,
+    increment_counter: IncrementCounter,
+    flags: u8,
+    flags_start: u8,
+    flags_end: u8,
+    out: &mut [u8],
+);
+
+// A shared helper function for platform-specific tests.
+pub fn test_hash_many_fn(
+    hash_many_chunks_fn: HashManyFn<[u8; CHUNK_LEN]>,
+    hash_many_parents_fn: HashManyFn<[u8; 2 * OUT_LEN]>,
+) {
+    // Test a few different initial counter values.
+    // - 0: The base case.
+    // - u32::MAX: The low word of the counter overflows for all inputs except the first.
+    // - i32::MAX: *No* overflow. But carry bugs in tricky SIMD code can screw this up, if you XOR
+    //   when you're supposed to ANDNOT...
+    let initial_counters = [0, u32::MAX as u64, i32::MAX as u64];
+    for counter in initial_counters {
+        #[cfg(feature = "std")]
+        dbg!(counter);
+
+        // 31 (16 + 8 + 4 + 2 + 1) inputs
+        const NUM_INPUTS: usize = 31;
+        let mut input_buf = [0; CHUNK_LEN * NUM_INPUTS];
+        crate::test::paint_test_input(&mut input_buf);
+
+        let mut chunk_iter = slice::array_chunks(&input_buf);
+        let chunks = Refs::<[u8; CHUNK_LEN], NUM_INPUTS>::collect_from(&mut chunk_iter);
+
+        // First hash chunks.
+        let mut portable_chunks_out = [0; NUM_INPUTS * OUT_LEN];
+        crate::portable::hash_many(
+            chunks.as_slice(),
+            &TEST_KEY_WORDS,
+            counter,
+            IncrementCounter::Yes,
+            crate::KEYED_HASH,
+            crate::CHUNK_START,
+            crate::CHUNK_END,
+            &mut portable_chunks_out,
+        );
+
+        let mut test_chunks_out = [0; NUM_INPUTS * OUT_LEN];
+        unsafe {
+            hash_many_chunks_fn(
+                chunks.as_slice(),
+                &TEST_KEY_WORDS,
+                counter,
+                IncrementCounter::Yes,
+                crate::KEYED_HASH,
+                crate::CHUNK_START,
+                crate::CHUNK_END,
+                &mut test_chunks_out,
+            );
+        }
+        for n in 0..NUM_INPUTS {
+            #[cfg(feature = "std")]
+            dbg!(n);
+            assert_eq!(
+                &portable_chunks_out[n * OUT_LEN..][..OUT_LEN],
+                &test_chunks_out[n * OUT_LEN..][..OUT_LEN]
+            );
+        }
+
+        // Then hash parents.
+
+        let mut parents_iter = slice::array_chunks(&input_buf);
+        let parents = Refs::<[u8; 2 * OUT_LEN], NUM_INPUTS>::collect_from(&mut parents_iter);
+
+        let mut portable_parents_out = [0; NUM_INPUTS * OUT_LEN];
+        crate::portable::hash_many(
+            parents.as_slice(),
+            &TEST_KEY_WORDS,
+            counter,
+            IncrementCounter::No,
+            crate::KEYED_HASH | crate::PARENT,
+            0,
+            0,
+            &mut portable_parents_out,
+        );
+
+        let mut test_parents_out = [0; NUM_INPUTS * OUT_LEN];
+        unsafe {
+            hash_many_parents_fn(
+                parents.as_slice(),
+                &TEST_KEY_WORDS,
+                counter,
+                IncrementCounter::No,
+                crate::KEYED_HASH | crate::PARENT,
+                0,
+                0,
+                &mut test_parents_out,
+            );
+        }
+        for n in 0..NUM_INPUTS {
+            #[cfg(feature = "std")]
+            dbg!(n);
+            assert_eq!(
+                &portable_parents_out[n * OUT_LEN..][..OUT_LEN],
+                &test_parents_out[n * OUT_LEN..][..OUT_LEN]
+            );
+        }
+    }
+}
+
+#[test]
+fn test_key_bytes_equal_key_words() {
+    assert_eq!(
+        TEST_KEY_WORDS,
+        crate::platform::words_from_le_bytes_32(&TEST_KEY),
+    );
+}
+
+#[test]
+fn test_reference_size() {
+    // Because the Rust compiler optimizes struct layout, it's possible that
+    // some future version of the compiler will produce a different size. If
+    // that happens, we can either disable this test, or test for multiple
+    // expected values. For now, the purpose of this test is to make sure we
+    // notice if that happens.
+    assert_eq!(1880, core::mem::size_of::<crate::reference::Hasher>());
+}
+
+#[test]
+fn test_counter_words() {
+    let counter: u64 = (1 << 32) + 2;
+    assert_eq!(crate::counter_low(counter), 2);
+    assert_eq!(crate::counter_high(counter), 1);
+}
+
+#[test]
+fn test_largest_power_of_two_leq() {
+    let input_output = &[
+        // The zero case is nonsensical, but it does work.
+        (0, 1),
+        (1, 1),
+        (2, 2),
+        (3, 2),
+        (4, 4),
+        (5, 4),
+        (6, 4),
+        (7, 4),
+        (8, 8),
+        // the largest possible usize
+        (usize::MAX, (usize::MAX >> 1) + 1),
+    ];
+    for &(input, output) in input_output {
+        assert_eq!(
+            output,
+            crate::largest_power_of_two_leq(input),
+            "wrong output for n={}",
+            input
+        );
+    }
+}
+
+#[test]
+fn test_left_len() {
+    let input_output = &[
+        (CHUNK_LEN + 1, CHUNK_LEN),
+        (2 * CHUNK_LEN - 1, CHUNK_LEN),
+        (2 * CHUNK_LEN, CHUNK_LEN),
+        (2 * CHUNK_LEN + 1, 2 * CHUNK_LEN),
+        (4 * CHUNK_LEN - 1, 2 * CHUNK_LEN),
+        (4 * CHUNK_LEN, 2 * CHUNK_LEN),
+        (4 * CHUNK_LEN + 1, 4 * CHUNK_LEN),
+    ];
+    for &(input, output) in input_output {
+        assert_eq!(crate::left_len(input), output);
+    }
+}
+
+#[test]
+fn test_compare_reference() {
+    const OUT: usize = 303; // more than 64, not a multiple of 4
+    let mut input_buf = [0; TEST_CASES_MAX];
+    paint_test_input(&mut input_buf);
+    for &case in TEST_CASES {
+        let input = &input_buf[..case];
+        #[cfg(feature = "std")]
+        dbg!(case);
+
+        // regular
+        {
+            let mut reference_hasher = crate::reference::Hasher::new();
+            reference_hasher.update(input);
+            let mut expected_out = [0; OUT];
+            reference_hasher.finalize(&mut expected_out);
+
+            // all at once
+            let test_out = crate::hash(input);
+            assert_eq!(test_out, *&expected_out[..32]);
+            // incremental
+            let mut hasher = crate::Hasher::new();
+            hasher.update(input);
+            assert_eq!(hasher.finalize(), *&expected_out[..32]);
+            assert_eq!(hasher.finalize(), test_out);
+            // xof
+            let mut extended = [0; OUT];
+            hasher.finalize_xof().fill(&mut extended);
+            assert_eq!(extended, expected_out);
+        }
+
+        // keyed
+        {
+            let mut reference_hasher = crate::reference::Hasher::new_keyed(&TEST_KEY);
+            reference_hasher.update(input);
+            let mut expected_out = [0; OUT];
+            reference_hasher.finalize(&mut expected_out);
+
+            // all at once
+            let test_out = crate::keyed_hash(&TEST_KEY, input);
+            assert_eq!(test_out, *&expected_out[..32]);
+            // incremental
+            let mut hasher = crate::Hasher::new_keyed(&TEST_KEY);
+            hasher.update(input);
+            assert_eq!(hasher.finalize(), *&expected_out[..32]);
+            assert_eq!(hasher.finalize(), test_out);
+            // xof
+            let mut extended = [0; OUT];
+            hasher.finalize_xof().fill(&mut extended);
+            assert_eq!(extended, expected_out);
+        }
+
+        // derive_key
+        {
+            let context = "BLAKE3 2019-12-27 16:13:59 example context (not the test vector one)";
+            let mut reference_hasher = crate::reference::Hasher::new_derive_key(context);
+            reference_hasher.update(input);
+            let mut expected_out = [0; OUT];
+            reference_hasher.finalize(&mut expected_out);
+
+            // all at once
+            let test_out = crate::derive_key(context, input);
+            assert_eq!(test_out, expected_out[..32]);
+            // incremental
+            let mut hasher = crate::Hasher::new_derive_key(context);
+            hasher.update(input);
+            assert_eq!(hasher.finalize(), *&expected_out[..32]);
+            assert_eq!(hasher.finalize(), *&test_out[..32]);
+            // xof
+            let mut extended = [0; OUT];
+            hasher.finalize_xof().fill(&mut extended);
+            assert_eq!(extended, expected_out);
+        }
+    }
+}
+
+fn reference_hash(input: &[u8]) -> crate::Hash {
+    let mut hasher = crate::reference::Hasher::new();
+    hasher.update(input);
+    let mut bytes = [0; 32];
+    hasher.finalize(&mut bytes);
+    bytes.into()
+}
+
+#[test]
+fn test_compare_update_multiple() {
+    // Don't use all the long test cases here, since that's unnecessarily slow
+    // in debug mode.
+    let mut short_test_cases = TEST_CASES;
+    while *short_test_cases.last().unwrap() > 4 * CHUNK_LEN {
+        short_test_cases = &short_test_cases[..short_test_cases.len() - 1];
+    }
+    assert_eq!(*short_test_cases.last().unwrap(), 4 * CHUNK_LEN);
+
+    let mut input_buf = [0; 2 * TEST_CASES_MAX];
+    paint_test_input(&mut input_buf);
+
+    for &first_update in short_test_cases {
+        #[cfg(feature = "std")]
+        dbg!(first_update);
+        let first_input = &input_buf[..first_update];
+        let mut test_hasher = crate::Hasher::new();
+        test_hasher.update(first_input);
+
+        for &second_update in short_test_cases {
+            #[cfg(feature = "std")]
+            dbg!(second_update);
+            let second_input = &input_buf[first_update..][..second_update];
+            let total_input = &input_buf[..first_update + second_update];
+
+            // Clone the hasher with first_update bytes already written, so
+            // that the next iteration can reuse it.
+            let mut test_hasher = test_hasher.clone();
+            test_hasher.update(second_input);
+            let expected = reference_hash(total_input);
+            assert_eq!(expected, test_hasher.finalize());
+        }
+    }
+}
+
+#[test]
+fn test_fuzz_hasher() {
+    const INPUT_MAX: usize = 4 * CHUNK_LEN;
+    let mut input_buf = [0; 3 * INPUT_MAX];
+    paint_test_input(&mut input_buf);
+
+    // Don't do too many iterations in debug mode, to keep the tests under a
+    // second or so. CI should run tests in release mode also. Provide an
+    // environment variable for specifying a larger number of fuzz iterations.
+    let num_tests = if cfg!(debug_assertions) { 100 } else { 10_000 };
+
+    // Use a fixed RNG seed for reproducibility.
+    let mut rng = rand_chacha::ChaCha8Rng::from_seed([1; 32]);
+    for _num_test in 0..num_tests {
+        #[cfg(feature = "std")]
+        dbg!(_num_test);
+        let mut hasher = crate::Hasher::new();
+        let mut total_input = 0;
+        // For each test, write 3 inputs of random length.
+        for _ in 0..3 {
+            let input_len = rng.gen_range(0..(INPUT_MAX + 1));
+            #[cfg(feature = "std")]
+            dbg!(input_len);
+            let input = &input_buf[total_input..][..input_len];
+            hasher.update(input);
+            total_input += input_len;
+        }
+        let expected = reference_hash(&input_buf[..total_input]);
+        assert_eq!(expected, hasher.finalize());
+    }
+}
+
+#[test]
+fn test_xof_seek() {
+    let mut out = [0; 533];
+    let mut hasher = crate::Hasher::new();
+    hasher.update(b"foo");
+    hasher.finalize_xof().fill(&mut out);
+    assert_eq!(hasher.finalize().as_bytes(), &out[0..32]);
+
+    let mut reader = hasher.finalize_xof();
+    reader.set_position(303);
+    let mut out2 = [0; 102];
+    reader.fill(&mut out2);
+    assert_eq!(&out[303..][..102], &out2[..]);
+
+    #[cfg(feature = "std")]
+    {
+        use std::io::prelude::*;
+        let mut reader = hasher.finalize_xof();
+        reader.seek(std::io::SeekFrom::Start(303)).unwrap();
+        let mut out3 = Vec::new();
+        reader.by_ref().take(102).read_to_end(&mut out3).unwrap();
+        assert_eq!(&out[303..][..102], &out3[..]);
+
+        assert_eq!(
+            reader.seek(std::io::SeekFrom::Current(0)).unwrap(),
+            303 + 102
+        );
+        reader.seek(std::io::SeekFrom::Current(-5)).unwrap();
+        assert_eq!(
+            reader.seek(std::io::SeekFrom::Current(0)).unwrap(),
+            303 + 102 - 5
+        );
+        let mut out4 = [0; 17];
+        assert_eq!(reader.read(&mut out4).unwrap(), 17);
+        assert_eq!(&out[303 + 102 - 5..][..17], &out4[..]);
+        assert_eq!(
+            reader.seek(std::io::SeekFrom::Current(0)).unwrap(),
+            303 + 102 - 5 + 17
+        );
+        assert!(reader.seek(std::io::SeekFrom::End(0)).is_err());
+        assert!(reader.seek(std::io::SeekFrom::Current(-1000)).is_err());
+    }
+}
+
+#[test]
+fn test_msg_schdule_permutation() {
+    let permutation = [2, 6, 3, 10, 7, 0, 4, 13, 1, 11, 12, 5, 9, 14, 15, 8];
+
+    let mut generated = [[0; 16]; 7];
+    generated[0] = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15];
+
+    for round in 1..7 {
+        for i in 0..16 {
+            generated[round][i] = generated[round - 1][permutation[i]];
+        }
+    }
+
+    assert_eq!(generated, crate::MSG_SCHEDULE);
+}
+
+#[test]
+fn test_reset() {
+    let mut hasher = crate::Hasher::new();
+    hasher.update(&[42; 3 * CHUNK_LEN + 7]);
+    hasher.reset();
+    hasher.update(&[42; CHUNK_LEN + 3]);
+    assert_eq!(hasher.finalize(), crate::hash(&[42; CHUNK_LEN + 3]));
+
+    let key = &[99; crate::KEY_LEN];
+    let mut keyed_hasher = crate::Hasher::new_keyed(key);
+    keyed_hasher.update(&[42; 3 * CHUNK_LEN + 7]);
+    keyed_hasher.reset();
+    keyed_hasher.update(&[42; CHUNK_LEN + 3]);
+    assert_eq!(
+        keyed_hasher.finalize(),
+        crate::keyed_hash(key, &[42; CHUNK_LEN + 3]),
+    );
+
+    let context = "BLAKE3 2020-02-12 10:20:58 reset test";
+    let mut kdf = crate::Hasher::new_derive_key(context);
+    kdf.update(&[42; 3 * CHUNK_LEN + 7]);
+    kdf.reset();
+    kdf.update(&[42; CHUNK_LEN + 3]);
+    let expected = crate::derive_key(context, &[42; CHUNK_LEN + 3]);
+    assert_eq!(kdf.finalize(), expected);
+}
+
+// This test is a mimized failure case for the Windows SSE2 bug described in
+// https://github.com/BLAKE3-team/BLAKE3/issues/206.
+//
+// Before that issue was fixed, this test would fail on Windows in the following configuration:
+//
+//     cargo test --features=no_avx512,no_avx2,no_sse41 --release
+//
+// Bugs like this one (stomping on a caller's register) are very sensitive to the details of
+// surrounding code, so it's not especially likely that this test will catch another bug (or even
+// the same bug) in the future. Still, there's no harm in keeping it.
+#[test]
+fn test_issue_206_windows_sse2() {
+    // This stupid loop has to be here to trigger the bug. I don't know why.
+    for _ in &[0] {
+        // The length 65 (two blocks) is significant. It doesn't repro with 64 (one block). It also
+        // doesn't repro with an all-zero input.
+        let input = &[0xff; 65];
+        let expected_hash = [
+            183, 235, 50, 217, 156, 24, 190, 219, 2, 216, 176, 255, 224, 53, 28, 95, 57, 148, 179,
+            245, 162, 90, 37, 121, 0, 142, 219, 62, 234, 204, 225, 161,
+        ];
+
+        // This throwaway call has to be here to trigger the bug.
+        crate::Hasher::new().update(input);
+
+        // This assert fails when the bug is triggered.
+        assert_eq!(crate::Hasher::new().update(input).finalize(), expected_hash);
+    }
+}