развёрнутый код (два блока а посередине условный выход)

Вы писали "чтобы исключить операции пересылки текущего значения остатка, основной цикл алгоритма пришлось развернуть", то есть получилось два блока, а посередине условный выход.

Вы привели код по такой схеме:

  mov edx, eax
@next:
 
[БЛОК]
  add ecx, 8
  jg  @done
 
[БЛОК]
 
  add ecx, 8
  jle @next
 
  mov eax, edx
@done:

Если удалить второй блок, то код будет выглядеть примерно так:

@next:
  mov edx, eax
[БЛОК]
  add ecx, 8
  jle @next

При этом скорость не уменьшится, а даже увеличится, за счёт уменьшения числа ветвлений. Если код будет вызываться каждый раз с разным размером буфера, то мы уменьшаем вероятность "branch mispredition penalty", и упрощам код, что позволяет процессору легче спрогнозировать окончание цикла. Для простых циклов процессоры, такие как Skylake, c MacroOp fusion, прогнозирует его окончание удивительно хорошо.