我的 AVX 代码运行速度比 SSE4 版本慢得多，我正在尝试找出原因。
SSE4 中的这个小循环：
（gcc 13.1 的汇编）
.L6:
movaps xmm1, XMMWORD PTR [rbx+rsi]
movaps xmm3, XMMWORD PTR [rbp+0+rsi]
movaps xmm2, xmm4
lea eax, [0+rcx*4]
movd xmm0, eax
add rcx, 1
add rsi, 16
addps xmm3, xmm1
cmpleps xmm1, xmm5
pshufd xmm0, xmm0, 0
paddd xmm0, xmm6
cmpleps xmm2, xmm3
pand xmm1, xmm2
movmskps edi, xmm1
mov rax, rdi
sal rdi, 4
pshufb xmm0, XMMWORD PTR shufmasks.0[rdi]
popcnt eax, eax
movups XMMWORD PTR [r8], xmm0
lea r8, [r8+rax*4]
cmp rcx, rdx
jne .L6
因为 AVX 没有 8 宽整数，所以我使用 8 宽寄存器，这样我就可以进行 8 宽浮点数学运算，但对于整数内容，我将它们就地拆分以在两个 4 宽指令中计算它们，然后将它们放回一起：
（gcc 13.1 的汇编）
.L6:
lea eax, [0+rcx*8]
vmovaps ymm7, YMMWORD PTR [rbx+rsi]
xor r10d, r10d
add rcx, 1
vmovd xmm1, eax
xor eax, eax
vpshufd xmm0, xmm1, 0
vcmpleps ymm6, ymm7, ymm3
vmovdqa xmm1, xmm0
vpaddd xmm0, xmm0, xmm5
vpaddd xmm1, xmm1, xmm2
vinsertf128 ymm0, ymm0, xmm1, 0x1
vaddps ymm1, ymm7, YMMWORD PTR [r12+rsi]
add rsi, 32
vcmpleps ymm1, ymm4, ymm1
vandps ymm1, ymm1, ymm6
vmovaps xmm6, xmm0
vextractf128 xmm0, ymm0, 0x1
vmovaps xmm7, xmm1
vextractf128 xmm1, ymm1, 0x1
vmovmskps edx, xmm7
popcnt eax, edx
sal rdx, 4
vpshufb xmm6, xmm6, XMMWORD PTR shufmasks.0[rdx]
vmovmskps edx, xmm1
popcnt r10d, edx
sal rdx, 4
vmovdqa XMMWORD PTR [rsp+32], xmm6
vpshufb xmm0, xmm0, XMMWORD PTR shufmasks.0[rdx]
movsx rdx, eax
add eax, r10d
vmovups XMMWORD PTR [rsp+32+rdx*4], xmm0
vmovdqa ymm6, YMMWORD PTR [rsp+32]
cdqe
vmovdqu YMMWORD PTR [rdi], ymm6
lea rdi, [rdi+rax*4]
cmp rcx, r8
jne .L6
（gcc 12.2.0 的汇编）
.L4:
vmovaps ymm11, YMMWORD PTR [rbx+rsi]
vaddps ymm12, ymm11, YMMWORD PTR [r12+rsi]
xor eax, eax
add rsi, 32
lea r11d, 0[0+rcx*8]
add rcx, 1
vcmpleps ymm14, ymm11, ymm3
vmovd xmm1, r11d
xor r11d, r11d
vcmpleps ymm13, ymm4, ymm12
vpshufd xmm0, xmm1, 0
vpaddd xmm7, xmm0, xmm5
vpaddd xmm9, xmm0, xmm8
vinsertf128 ymm10, ymm7, xmm9, 0x1
vandps ymm15, ymm13, ymm14
vextractf128 xmm0, ymm10, 0x1
vextractf128 xmm1, ymm15, 0x1
vmovmskps r13d, xmm15
vmovmskps r14d, xmm1
popcnt eax, r13d
sal r13, 4
movsx rdx, eax
popcnt r11d, r14d
sal r14, 4
vpshufb xmm7, xmm10, XMMWORD PTR [r8+r13]
add eax, r11d
vpshufb xmm9, xmm0, XMMWORD PTR [r8+r14]
vmovdqa XMMWORD PTR 32[rsp], xmm7
cdqe
vmovups XMMWORD PTR 32[rsp+rdx*4], xmm9
vmovdqa ymm10, YMMWORD PTR 32[rsp]
vmovdqu YMMWORD PTR [rdi], ymm10
lea rdi, [rdi+rax*4]
cmp rcx, r9
jne .L4
AVX 版本的长度是原来的 2 倍，但工作量却是原来的 2 倍，因此它应该是均衡的。但是当我测量这段代码时，AVX 版本的运行速度与标量版本一样慢。 AVX 循环中有什么特别慢的地方吗？在同一个循环中混合 4 宽和 8 宽指令是否会严重损害性能？或者是别的什么？我可以修复这个问题以使 AVX 版本至少赶上 SSE4 版本吗？