主要观点：

• 作者在研究新的 Python 3.14 尾调用解释器性能时，了解到现代 CPU 大多能较好预测“传统”字节码解释器循环中的字节码调度间接跳转，介绍了 TAGE 和 ITTAGE 分支预测器及其工作原理。
• TAGE 跟踪数百甚至数千位的分支历史，通过多个历史表和不同的哈希函数来自适应选择合适的历史长度进行预测，预测错误时会尝试更长的历史长度，还会跟踪表项的有用性。
• ITTAGE 预测间接分支的目标，与 TAGE 结构相似，主要变化是存储预测目标地址和“置信度”计数器。
• 作者认为 ITTAGE 有趣，因其对解释器性能的研究有帮助，还引发了关于其在覆盖引导模糊测试和程序状态探索等方面应用的思考，与强化学习中的好奇心驱动学习有相似之处。

关键信息：

• 现代 CPU 能较好预测字节码调度间接跳转。
• TAGE 通过多个历史表和哈希函数进行预测，动态选择合适历史长度。
• ITTAGE 预测间接分支目标，与 TAGE 结构相似。
• 覆盖引导模糊测试中传统方法在某些程序上效果不佳，可借鉴 TAGE/ITTAGE 方法。
• 好奇心驱动学习与将 TAGE/ITTAGE 应用于模糊测试有相似之处。

重要细节：

• 分支预测器通过跟踪历史数据进行预测，如用 (PC, PC 历史) -> 过去行为的映射。
• 不同的分支历史存储方式，如用 PC 或包含更多信息的结构体。
• 历史长度的选择影响预测准确性和存储空间需求。
• TAGE 中表项的标签用于区分不同分支，基本预测算法根据最长匹配历史长度进行预测，预测错误时尝试更长历史。
• ITTAGE 与 TAGE 结构相似，增加了预测目标地址和“置信度”计数器。
• 覆盖引导模糊测试中传统方法用“覆盖”类指标表征程序行为，在某些程序上效果不佳。
• 好奇心驱动学习通过训练预测网络鼓励探索新环境。