MAME项目中Konami CPU移位指令的实现与修正
2025-05-25 14:22:46作者:裘晴惠Vivianne
Konami公司定制的6809 CPU变种在标准6809指令集基础上增加了一些特殊的移位指令。这些指令在实际硬件运行中表现出与MAME模拟器不同的行为,经过深入分析后,MAME团队对相关实现进行了修正。
移位指令的特殊行为
Konami CPU扩展了两类移位指令:
- 立即数移位指令(操作码0xB8-0xC1):对D寄存器进行指定次数的移位操作
- 变址寻址移位指令:对内存中的字数据进行移位,移位次数由A寄存器指定
测试发现硬件实际行为与MAME模拟存在差异:硬件会对移位次数应用0xF的掩码,而MAME原先实现未考虑这一特性。例如:
ldd #$8191
asld #$12 ; 硬件结果D=0x0644,MAME原结果为0x0000
同样情况也出现在变址寻址版本中:
[mem] = #$8191
lda #$12
asld mem ; 硬件结果[mem]=0x0644,MAME原结果为0x0000
指令命名规范的优化
原先的指令命名存在一些不明确之处:
- "D"后缀容易误解为操作D寄存器,实际上表示可变移位次数
- 变址寻址版本实际上是操作内存中的字数据,而非D寄存器
MAME团队对指令命名进行了优化:
- 立即数版本使用"I"后缀表示立即数(如LSRDI)
- 变址寻址版本使用"WA"后缀表示操作字数据且移位次数来自A寄存器(如LSRWA)
- 16位版本的其他指令也统一命名规范(如BSET改为BSETW)
技术细节补充
移位次数为0时的特殊行为:当移位次数为0时,硬件保持原值不变,不进行任何移位操作。这与常规移位指令的行为一致,避免了不必要的操作。
这些发现和修正确保了MAME模拟器能更准确地模拟Konami定制CPU的行为,特别是对于运行在这些硬件上的经典游戏(如Vendetta等)的兼容性得到了提升。
对于模拟器开发者和逆向工程师而言,理解这些定制指令的精确行为对于准确模拟和调试老式游戏硬件至关重要。这次修正也体现了开源社区通过硬件验证不断改进模拟准确性的过程。
登录后查看全文
热门项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue07- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
热门内容推荐
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
575
3.88 K
Ascend Extension for PyTorch
Python
396
474
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
359
219
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
902
703
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.39 K
786
昇腾LLM分布式训练框架
Python
122
148
React Native鸿蒙化仓库
JavaScript
312
364
暂无简介
Dart
813
199
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
124
161
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
92
161