https://gcc.gnu.org/bugzilla/show_bug.cgi?id=65084
--- Comment #7 from Andrew Pinski <pinskia at gcc dot gnu.org> ---
I see the first testcase produces:
.L2:
vpand a+32(%rax), %ymm4, %ymm1
vpand a(%rax), %ymm4, %ymm0
addq $64, %rax
vpaddw b-32(%rax), %ymm2, %ymm5
vpackuswb %ymm1, %ymm0, %ymm0
vpermq $216, %ymm0, %ymm0
vextracti128 $0x1, %ymm0, %xmm1
vpmovsxbw %xmm0, %ymm0
vpmovsxbw %xmm1, %ymm1
vpaddw %ymm3, %ymm0, %ymm0
vpaddw %ymm3, %ymm1, %ymm1
vpaddw %ymm5, %ymm1, %ymm1
vpaddw b-64(%rax), %ymm2, %ymm5
vmovdqa %ymm1, a-32(%rax)
vpaddw %ymm5, %ymm0, %ymm0
vmovdqa %ymm0, a-64(%rax)
cmpq $2048, %rax
jne .L2
While the second one produces:
.L6:
vmovdqa a(%rax), %ymm3
vpaddw b(%rax), %ymm2, %ymm1
addq $32, %rax
vpsllw $8, %ymm3, %ymm0
vpsraw $8, %ymm0, %ymm0
vpaddw %ymm1, %ymm0, %ymm0
vmovdqa %ymm0, a-32(%rax)
cmpq $2048, %rax
jne .L6
