---

Декодер и диаграмма кодирования отвечают не на один и тот же вопрос. Capstone и LLVM декодируют инструкции, Unicorn пытается выполнять их, а таблица Silica, полученная из XML, сопоставляет фиксированные биты в диаграммах кодирования Arm. Сравнивать их полезно, но несовпадение не является автоматически ошибкой декодера.

Инструкции A64 имеют ширину 32 бита, поэтому сравнение распределения может охватывать всё входное пространство. Приведённые ниже счётчики валидности исчерпывающи для закреплённых версий и конфигурации. Анализ текста инструкций выполнен на выборке.

Результаты кратко

Эти артефакты используют ISA_A64_xml_A_profile-2026-06_mc и 256 шардов, покрывающих все 2³² слов.

Результат распределения, полученный из XML	Количество	Доля
Соответствует шаблону кодирования в области охвата	1 799 435 776	41,9%
Не соответствует ни одному шаблону кодирования в области охвата	2 495 531 520	58,1%

По четырём битовым картам валидности 723 801 678 слов имеют хотя бы одну различающуюся классификацию. Это 16,9% всего пространства слов. Это количество расхождений, а не количество подтверждённых ошибок.

Попарное согласие с битовой картой распределения, полученной из XML:

Инструмент	Согласие
Capstone	84,8%
LLVM	87,6%
Unicorn	88,3%

Эти проценты не ранжируют корректность декодеров. В частности, скомпилированная таблица XML не вычисляет псевдокод инструкций, доступность функций или все ограничения времени декодирования. Unicorn также отвечает через выполнение и ловушки, а не через дизассемблирование. Каждое различие требует анализа семейства инструкций и конфигурации, прежде чем оно сможет обосновать отчёт об ошибке в upstream.

Текст инструкций носит только диагностический характер

Silica записала детерминированную выборку из 1 000 000 слов из 1 266 064 016 слов, принятых всеми четырьмя проверками валидности. Выходные данные не симметричны: Capstone и LLVM возвращают полный текст дизассемблирования, таблица XML возвращает только мнемонику, а Unicorn возвращает заполнитель <valid>.

Текущий классификатор сообщает:

Классификация	Записи	Доля
Одинаковая нормализованная мнемоника, разный полный текст	862 648	86,3%
Разная нормализованная мнемоника	137 352	13,7%

Значение 86,3% не является долей ошибок операндов. В большинстве записей полная инструкция сравнивается с эталоном, содержащим только мнемонику. Обработка псевдонимов также остаётся консервативной, когда условие псевдонима XML невозможно доказать по отрендеренному тексту. Эти записи — зацепки для анализа, а не выводы о корректности декодера.

Что означают десять примеров

Файлы в artifacts/reproducers — это десять различных записей, выбранных из первых пяти подходящих шардов расхождений. При отборе предпочтение отдаётся текстовым категориям и ограничивается повторение пар (category, spec mnemonic). Все десять текущих файлов сравнивают Capstone с мнемоникой, полученной из XML.

Они доказывают, что записи существуют в сгенерированном корпусе и могут быть воспроизведены из одного слова инструкции. Они не были независимо признаны десятью ошибками Capstone, и они не являются доказательством того, что LLVM и Unicorn согласны в отображённой инструкции. Три из них явно помечены NORMALIZATION_UNCERTAIN. Генератор и верификатор — g6_reproducers.py и verify/g6_reproducers.py.

Изучение результатов

Свип создаёт большой набор данных. silica-scope — это его терминальный просмотрщик. Он открывает каталог артефактов Silica, показывает метрики и карту из 256 шардов, фильтрует записи о расхождениях и выполняет поиск отдельных слов. Он также может открывать десять примеров записей с указанными для них ограничениями.

Установите его из PyPI с помощью Python 3.11 или новее:

pipx install silica-scope

Затем запустите его из рабочей копии Silica или укажите каталог с артефактами:

silica-scope
silica-scope /path/to/silica/artifacts
silica-scope --report

silica-scope — это средство чтения на чистом Python. Оно не выполняет сканирование и не требует нативных библиотек декодера. См. руководство по терминальному средству чтения для управления с клавиатуры и обнаружения артефактов.

Как это работает

flowchart LR
    XML["Arm XML encoding diagrams"] --> SPEC["compiled allocation matcher"]
    SPEC --> SWEEP["parallel 32-bit sweep"]
    CAP["Capstone"] --> SWEEP
    LLVM["LLVM"] --> SWEEP
    UNI["Unicorn"] --> SWEEP
    SWEEP --> MAP["validity bitmaps"]
    MAP --> DIFF["exhaustive XOR comparison"]
    DIFF --> CORPUS["classified disagreement corpus"]
    CORPUS --> OUT["metrics · examples · result hash"]

Высокопроизводительный путь написан на Rust и вызывает каждый декодер в процессе. Он хранит один бит на кодировку на каждый оракул, что делает исчерпывающее сравнение компактным и превращает расхождение в прямую битовую операцию. Сбои бисекцируются до точного слова инструкции.

Python отвечает за компиляцию XML, нормализацию, отчётность и верификацию. Схемы артефактов и правила выборки описаны в docs/formats.md. Источник каждого ключевого значения:

Утверждение	Артефакт	Пересчитывается с помощью
Количество выделений XML	artifacts/g1_metrics.json	G1
Исчерпывающие различия валидности	четыре битовые карты валидности	G2 и G5
Количество категорий выборки	artifacts/g4_metrics.json	G4
Проценты попарного согласия	artifacts/report/metrics.json	G5
Десять выбранных примеров записей	artifacts/reproducers/*.md	G6
Дайджест опубликованного артефакта	artifacts/result_hash.txt	G7

Воспроизведение работы

Создайте закреплённое окружение и проверьте, что необходимые локальные входные данные доступны:

micromamba create -y -p ./.venv -f environment.yml
micromamba run -p ./.venv silica doctor

Спецификация XML от Arm не включена в репозиторий из-за лицензии. silica doctor сообщает, где Silica ожидает её найти, а также о любых других отсутствующих предварительных требованиях.

Артефакты, добавленные в репозиторий, можно проверить без повторного запуска сканирования:

silica-scope artifacts