自动向量化：什么循环能被编译器向量化，restrict、对齐与 pragma 干预实测

编译优化系列的第十五篇。上一篇 placement new 对象池实测处理内存管理，本篇对准编译器手里最安静的一项优化：自动向量化（auto-vectorization）。同一个 for 循环不改一行代码，编译器可能把它编成一条指令处理两个 double 的 SSE 打包运算，也可能保留标量累加链，两者性能可以差出四倍。区别不在编译器心情，而在循环形态能否通过合法性检查与成本模型。SIMD 向量执行全景讲清了向量单元的硬件机制，本篇回答工程侧的问题：怎样知道自己的循环到底有没有被向量化，被挡住时报告怎么读，restrict、对齐承诺和 pragma 这三类常见干预各自值不值得加。

本文要回答的问题

• 编译器决定一个循环能否自动向量化，要依次过哪几关？
• clang 的向量化报告该开哪几个开关，报告里的 width、interleaved count 和 miss 原因分别是什么意思？
• 数据依赖、指针别名、浮点求和顺序、分散写这四类阻碍，各自对应报告里的什么原话？
• __restrict、#pragma clang loop vectorize(enable)、对齐承诺、unroll_count 四个干预手段，哪些有真实收益，哪些反而帮倒忙？
• 同样的循环在 SSE2（向量宽 2）和 AVX2（向量宽 4）下差距多少，结论的适用边界在哪？

一、自动向量化的判定漏斗

自动向量化不是开关动作，而是一条层层收窄的判定链。编译器先做合法性分析：循环计数是否规整、迭代间有没有携带依赖、指针会不会别名、浮点能不能重排；过关后才进成本模型，估算向量版本能否赚回额外的拆分与合并指令；最后处理尾循环——元素总数不是向量宽度整数倍时，剩余元素走标量收尾。

下面这张漏斗把整个判定链按本篇 9 组循环的真实去向分层，绿色出口是最终拿到向量代码的形态，红色是被挡住的形态。

读这张漏斗抓住一个顺序：合法性问题是硬阻断，写什么选项都绕不过去，只能改循环形态；成本模型是软判断，换档位、换向量宽度后结论可能翻转。本篇每个被挡住的组，都能在编译器报告里找到对应原话。

二、基准设计：9 组循环与三档构建

工程放了 9 组共 11 个 noinline 测量函数，每组只改变一个变量，固定函数边界后报告、反汇编和计时才能逐一核对。数组统一 262144 个元素，每函数跑 200 遍，填充与清零在计时区外，每档构建跑 7 次取中位。

组	循环形态	设计意图	预期关卡
G1	restrict 双指针 AXPY	可向量化基线	直通
G2	long 整数归约求和	整数结合律，归约可拆多路累加器	直通
G3	a[i]=a[i-1]*x+1 递推	反向循环携带依赖	合法性硬阻
G4	裸双指针 AXPY（无 restrict）	别名未知，看编译器是否版本化	运行时检查后放行
G5	v[idx[i]] += x[i] 分散写	下标运行时决定，边界不可识别	合法性硬阻
G6	double 归约，严格模式	浮点重排未授权	语义阻断
G7	同 G6 加 vectorize(enable)	pragma 显式授权重排	授权后放行
G8	64B 对齐承诺对照 8B 错位	对齐信息改变 load 指令选择	均放行，比指令与耗时
G9	整数归约，朴素对照 unroll_count(8)	展开干预的真实效果	成本模型分档

三档构建共用同一份源码：普通 -O2 是部署默认档；-O2 -fno-vectorize -fno-slp-vectorize 是标量对照档，优化级别不变只关向量化，加速比才能干净归因；-O2 -march=native 放开到本机 AVX2，观察宽度从 2 提到 4。判定流程与三档的关系画在下图，红色是硬阻断出口，绿色是向量代码出口。

读这张图注意红色节点的性质：前三个问「合不合法」，没有协商空间；最后一个成本模型问「划不划算」，同一循环在不同档位可以得到相反答案，G9 实测会给出例子。

三、报告怎么读：本工具链的三个 -Rpass 开关

GCC 用户熟悉的 -fopt-info-vec 在 Apple clang 上并不是合法参数，本机实测编译器直接拒绝：

$ clang++ -O2 -fopt-info-vec -std=c++17 -c src/g1_axpy_restrict.cpp
clang++: error: unknown argument: '-fopt-info-vec'

等价物是三个配套 remark 开关，本工程逐组编译时全部打开：

clang++ -O2 -Rpass=loop-vectorize \
        -Rpass-missed=loop-vectorize \
        -Rpass-analysis=loop-vectorize -c src/g1_axpy_restrict.cpp

-Rpass 只报告成功向量化的循环，输出 width（向量宽度，几个元素打包进一条向量指令）与 interleaved count（交织份数，编译器同时推进几个独立向量迭代）；-Rpass-missed 报告放弃向量化的循环；-Rpass-analysis 给出放弃的具体原因，是三个开关里信息量最大的一个。下面是四组代表性循环的报告原文摘录。

## G1 基线：成功，SSE2 下两个 double 一组、两份交织
src/g1_axpy_restrict.cpp:8:5: remark: vectorized loop
  (vectorization width: 2, interleaved count: 2)

## G3 递推：反向循环携带依赖，硬阻断
src/g3_recurrence.cpp:8:14: remark: loop not vectorized: unsafe dependent
  memory operations in loop ... Backward loop carried data dependence.
src/g3_recurrence.cpp:7:5: remark: loop not vectorized

## G5 分散写：无法识别数组边界，硬阻断
src/g5_scatter.cpp:9:9: remark: loop not vectorized:
  cannot identify array bounds

## G6 浮点归约：不敢重排求和顺序，并给出解锁方法
src/g6_fpsum_strict.cpp:9:11: remark: loop not vectorized: cannot prove
  it is safe to reorder floating-point operations; allow reordering by
  specifying '#pragma clang loop vectorize(enable)' before the loop or
  by providing the compiler option '-ffast-math'

第四条报告还写出两条出路：循环级 pragma 或全局 -ffast-math。两者作用域差别很大，后者同时放松 NaN、有符号零、除法化简等一整套浮点语义，影响整个翻译单元；pragma 只作用于紧邻循环，是风险可控的局部授权。G7 走 pragma 路线，报告随即翻转为 vectorized loop (width: 2, interleaved count: 2)。

完整的三档十一组中位耗时如下，所有数字来自同一份七次测量的中位记录。

表中 G6 与 G7 的对比已经能看出量级：同样的浮点归约，严格模式 292688 ns/pass，pragma 授权后 73224 ns/pass，单这一处干预就是约 4.00 倍。checksum 两组仅相差 1（-6553974 对 -6553975），这正是求和顺序改变后浮点舍入的真实差异，说明 pragma 不是免费午餐，它用可接受的数值扰动换向量宽度。

四、实测加速比：谁受益，谁原地不动

以标量档为分母、普通 O2 档为分子算加速比，11 个函数的成绩分成清晰的三档。

左面板蓝色柱是加速比超过 1.05 的组，灰色是未受益组。第一档是计算型归约：G2 整数归约 1.63x、G9 朴素归约 1.62x，G7 浮点归约相对 G6 严格标量版约 4.00x——归约算术密度高，加宽直接转化为吞吐。第二档是访存型 G1/G4，只有 1.36x 和 1.33x：AXPY 每轮读两个数组写一个数组，262144 个 double 约 4MB，数据在 L3 与内存间流动，向量单元再宽也要等数据，与缓存友好代码的访存瓶颈结论一致。第三档灰色柱：G5 分散写 0.98x、G6 严格归约 1.00x，阻断组在两档间没有系统性差异。

G3 的 1.20x 要单独说明：它在两档报告里都是 loop not vectorized，向量指令并未生成，差值来自函数代码布局与循环对齐的偶然变化，不具方向性。判断循环是否真的向量化，证据始终是报告加反汇编，而不是两档耗时之差。

右面板把视角换到向量宽度。-march=native 后报告里的 width 从 2 升到 4、interleave 从 2 升到 4：G7 从 73224 降到 36046 ns/pass，恰好 2.03 倍，与宽度翻倍基本吻合；G2 从 49061 降到 36870，约 1.33 倍；访存型的 G1 从 1048870 降到 661502，约 1.59 倍，再次受带宽限制。最扎眼的是最右一组 G9 展开版：native 档非但没加速，反而从 50349 恶化到 488326 ns/pass，慢了约 9.7 倍，下一节专门拆解。

反汇编层面的总量证据也对得上：普通 O2 二进制里打包向量指令 83 条，native 档 134 条（AVX2 的 vaddpd、vmovupd 等），标量档只剩 19 条，且主要来自初始化代码的 SLP 优化与 pragma 强制保留的 G7/G8。

五、四个干预手段逐个对账

5.1 __restrict：消灭的是运行时检查，不是向量化资格

一个流行说法是「不加 restrict 编译器就不敢向量化」。本篇 G4 的实测给出更精确的版本：裸指针循环在本工具链上照样向量化，报告同样是 width 2、interleave 2，但编译器在函数入口插入了运行时别名检查，生成向量与标量两套代码，按区间是否重叠二选一。反汇编里先出现的是标量序言（movsd/addsd），随后才是向量主体（movupd/addpd）。

读图抓住红色判定节点的位置：G4 的别名风险没有被静态消除，只是推迟到运行时回答。常规不重叠场景两者耗时接近（1.36x 对 1.33x），检查分支几乎免费，代价是两份代码体积与一个额外分支。restrict 的价值是把运行时问题变成编译期承诺，让 G1 直接进向量路径。能确认不重叠才加——它是程序员给编译器的保证，撒谎会得到别名场景下的错误代码，编译器不再做运行时兜底。

5.2 pragma 授权：4 倍收益与一个越权事实

G6 到 G7 是全篇最干净的对照：循环体一字不差，只多一行 #pragma clang loop vectorize(enable)，严格标量链变成 width 2 的四路向量累加，292688 降到 73224 ns/pass。实验还暴露一个少有人核对的行为：标量档命令行带着 -fno-vectorize，G7 报告依然显示向量化成功，耗时与普通档一致（73043 对 73224）。循环级 pragma 的优先级高于命令行开关。因此用全局关向量化做 A/B 测量时，带 pragma 的循环不在对照范围内，必须另找同形态的无 pragma 版本当基线——这正是工程同时保留 G6 与 G7 的原因。

5.3 对齐承诺：指令变了，耗时没变

G8 用两个完全同构的浮点归约对照：一个接收 64 字节对齐缓冲并通过 __builtin_assume_aligned 告知编译器，另一个接收基址偏移 8 字节的错位指针。反汇编差异真实存在：对齐版的向量累加直接使用内存操作数折叠的对齐访问，错位版显式生成 movupd 非对齐 load。但七次中位耗时是 73453 对 73073 ns/pass，差异在噪声内，错位版甚至略快。

这个结果符合 Coffee Lake 的已知行为：非对齐 load 在数据实际对齐时与对齐 load 同吞吐，只有访问真正跨越缓存行边界才有额外惩罚，本基准几乎不触发跨行。对齐工程今天的价值主要在老微架构、非临时存储（movnt* 强制对齐）与手工 intrinsics 内核；对自动向量化的普通循环，它改的是指令形态而不是性能，内存对齐有完整拆解。

5.4 循环展开：pragma 是提示不是命令，native 档的 9.7 倍翻车

G9 的对照是全篇最大的反直觉点。普通 O2 档，朴素归约与 unroll_count(8) 版成绩几乎相同（49497 对 50349 ns/pass），报告显示展开版被成本模型判定为「vectorization is not beneficial，interleave count is set to 1」——展开 8 份后循环体变大，成本模型撤回了向量化交织，改走标量展开。真正的翻车发生在 native 档：朴素版 36554 ns/pass，展开版 488326 ns/pass，慢 13.4 倍。AVX2 宽向量本应让归约再快一倍，而展开版因为向量路径被撤回，只能用标量指令处理全部数据。

## G9 展开版的报告原话（O2 与 -funroll-loops 档相同）
src/g9_unroll.cpp:17:5: remark: the cost-model indicates that
  vectorization is not beneficial
src/g9_unroll.cpp:17:5: remark: the cost-model indicates that interleaving
  is not beneficial and is explicitly disabled or interleave count is set to 1

这条证据修正两个误解：pragma 是提示而非命令，编译器保留拒绝权，unroll_count 还会连锁改变向量化决策；展开不是免费并行，它增大代码体积、占用指令缓存。纪律是先跑报告确认已向量化再决定展开，展开后重测全档位——O2 下无害的 pragma，换 ISA 后可能变成十倍减速。分散写这类啃不动的访问模式，其硬件根因（gather/scatter 指令的吞吐成本）见向量 gather/scatter 成本实测。

六、工程决策清单

把九组实测收敛成可以直接照着做的四条纪律。

信号或场景	该做什么	不该做什么
热循环不知道是否向量化	开 -Rpass 三兄弟看报告，按 miss 原因分类处理	凭源码直觉判断，或只看耗时反推
报告称指针别名 / 运行时检查	能证明不重叠就加 __restrict，并反汇编确认检查消失	对生命周期不明的指针乱加 restrict
报告称浮点不敢重排	评估数值误差后局部加 vectorize(enable)，保留 checksum 对照	全工程一刀切 -ffast-math
报告称依赖 / 边界不可识别	改循环形态：拆分递推、规整下标、外提不可向量化语句	叠 pragma 硬试，合法性问题绕不过去
想加对齐或展开干预	先测基线，干预后三档重测并核对报告与反汇编	把 pragma 当命令，假设干预必然加速
部署支持 AVX2 的机型	评估 -march=native 或分档发行，宽度翻倍对计算型归约约 2x	追求可移植的单一二进制却期待 AVX2 性能

测量边界也要写清：本机没有 perf 与硬件计数器，向量化判定依据编译器报告与反汇编，性能依据 chrono 七次中位；数字全部来自 x86-64 上的 Apple clang 21 与 SSE2/AVX2 两档宽度。ARM NEON/SVE 的宽度、GCC 的成本模型阈值都不同，向量 SIMD 执行单元讲过微架构单元差异，落地前照本工程在自己的工具链上复跑。

实验环境

• 机器/系统：MacBook Pro（Intel Core i7-9750H，6 物理核 12 逻辑线程，16 GB）/ macOS 26.5.2（Build 25F84），x86_64
• 工具版本：Apple clang 21.0.0（clang-2100.1.1.101）；编译参数 -std=c++17 -Wall -Wextra，三档分别为 -O2、-O2 -fno-vectorize -fno-slp-vectorize、-O2 -march=native
• 日期：2026-11-13
• 完整命令：make 产出三档二进制 → make reports 逐组采集 -Rpass 三兄弟报告 → bash run.sh 三档各跑 7 次取中位、计算加速比、用 nm 定符号区间后 otool -tvV 摘录标量序言、向量主体与对齐 load，完整记录落 run1.log 与 results.txt

代码获取

完整可复现工程（9 组 11 个 noinline 测量函数、三档 Makefile、逐组报告采集与反汇编证据脚本、实测 results.txt）已公开：

• 仓库地址：https://github.com/derekzhuo/geek-doc.cn/tree/main/experiments/cpp-autovectorization-pragmas-alignment
• 复现方式：克隆后进入该目录执行 bash run.sh，约两分钟输出三档十一组中位耗时、加速比、逐组向量化报告与向量指令反汇编；GCC 环境把 -Rpass 三兄弟换成 -fopt-info-vec 即可，报告语义相同，耗时数字需重新实测。

这一篇在知识体系里的位置

本篇属于 C++ 性能实测系列的编译优化分组。硬件机制上，SIMD 向量执行全景与向量 SIMD 执行单元解释向量指令为什么能一条顶多条，本篇补上编译器在什么条件下才愿意生成它们；G5 的分散写与向量 gather/scatter 成本实测互为表里，一篇讲编译期阻断、一篇讲硬件期成本。同系列的虚函数去虚化条件与本篇方法同源：都用报告加反汇编核对优化是否真的发生。内存侧的缓存友好代码与内存对齐解释了访存型循环加速比受限、对齐干预无收益的底层原因；上一篇 placement new 对象池实测处理的是另一类热路径开销。

总结

在 9 组 11 个循环、三档构建的实测上，自动向量化的账本是：普通 -O2 下规整 AXPY 与整数归约分别拿到 1.36x 与 1.63x，浮点归约加一行 vectorize(enable) 后相对严格标量版提速约 4.00x，且该 pragma 会覆盖命令行的 -fno-vectorize；裸指针循环照样向量化，但被插入运行时别名检查与标量兜底，restrict 消掉的正是这份检查；递推依赖与分散写是合法性硬阻断，报告原话是反向携带依赖与无法识别数组边界，pragma 绕不过去；对齐承诺在本微架构只改 load 指令形态、不改耗时；unroll_count(8) 在 O2 下无收益，在 AVX2 native 档反被成本模型撤回向量路径、减速 13.4 倍。向量宽度从 2 提到 4 后，计算型归约近乎线性再快 2 倍，访存型循环继续受带宽约束。可靠的工作流只有一条：开 -Rpass 三兄弟读报告，按合法性与成本两类原因分别处理，干预后全档位重测并用反汇编验收。