Почему LOOP так медленно?

Это удивило меня, потому что я всегда думал, что loop должен иметь некоторую внутреннюю оптимизацию.

Вот эксперименты, которые я сделал сегодня. Я использовал Microsoft Visual Studio 2010. Моя операционная система - 64-битная Windows 8. Мои вопросы в конце.

Первый эксперимент:

Платформа: Win32
Режим: Отладка (чтобы отключить оптимизацию)

begin = clock();
_asm
{
    mov ecx, 07fffffffh
start:
    loop start
}
end = clock();
cout<<"passed time: "<<double(end - begin)/CLOCKS_PER_SEC<<endl;

Выход: passed time: 3.583
(Число меняется немного с каждым прогоном, но это морально того же размера.)

Второй эксперимент:

Платформа: Win32
Режим: Отладка

begin = clock();
_asm
{
    mov ecx, 07fffffffh
start:
    dec ecx
    jnz start
}
end = clock();
cout<<"passed time: "<<double(end - begin)/CLOCKS_PER_SEC<<endl;

Выход: passed time: 0.903

Третий и четвертый эксперименты:

Просто измените платформу на x64. Поскольку VС++ не поддерживает 64-битную встроенную сборку, я должен поместить цикл в другой файл *.asm. Но, наконец, результаты одинаковы.

И с этого момента я начинаю использовать свой мозг - loop в 4 раза медленнее, чем dec ecx, jnz start, и единственная разница между ними, AFAIK, заключается в том, что dec ecx изменяет флаги, а loop - нет. Чтобы подражать этому флажку, я сделал

Пятый эксперимент:

Платформа: Win32 (в следующем я всегда полагаю, что платформа не влияет на результат)
Режим: Отладка

begin = clock();
_asm
{
    mov ecx, 07fffffffh
    pushf
start:
    popf
; do the loop here
    pushf
    dec ecx
    jnz start
    popf
}
end = clock();
cout<<"passed time: "<<double(end - begin)/CLOCKS_PER_SEC<<endl;

Выход: passed time: 22.134

Это понятно, потому что pushf и popf должны играть с памятью. Но, скажем, например, что регистр eax не должен храниться в конце цикла (что может быть достигнуто путем упорядочивания регистров) и что флаг OF не нужен в цикле (это упрощает вещи, поскольку OF не находится в младших 8 бит flag), тогда мы можем использовать lahf и sahf для хранения флагов, поэтому я сделал

Шестой эксперимент:

Платформа: Win32
Режим: Отладка

begin = clock();
_asm
{
    mov ecx, 07fffffffh
    lahf
start:
    sahf
; do the loop here
    lahf
    dec ecx
    jnz start
    sahf
}
end = clock();
cout<<"passed time: "<<double(end - begin)/CLOCKS_PER_SEC<<endl;

Выход: passed time: 1.933

Это гораздо лучше, чем использование loop напрямую, правильно?

И последний эксперимент, который я сделал, - это также попытаться сохранить флаг OF.

Седьмой эксперимент:

Платформа: Win32
Режим: Отладка

begin = clock();
_asm
{
    mov ecx, 07fffffffh
start:
    inc al
    sahf
; do the loop here
    lahf
    mov al, 0FFh
    jo dec_ecx
    mov al, 0
dec_ecx:
    dec ecx
    jnz start
}
end = clock();
cout<<"passed time: "<<double(end - begin)/CLOCKS_PER_SEC<<endl;

Выход: passed time: 3.612

Этот результат является наихудшим, т.е. OF не задается в каждом цикле. И это почти то же самое, что непосредственно использовать loop...

Итак, мои вопросы:

• Я прав, что единственное преимущество использования цикла в том, что он заботится о флажках (на самом деле только 5 из них, на которые действует dec)?

• Существует ли более длинный вид lahf и sahf, который также перемещается OF, так что мы можем полностью избавиться от loop?