slp向量化处理基本块内相邻、同构、无数据依赖的标量指令，将其打包为一条向量指令，属横向向量化；依赖操作数类型/宽度一致、无别名冲突，clang默认开启而gcc需显式启用。
SLP向量化处理的是基本块内的并行机会
SLP（Superword-Level Parallelism）向量化不依赖循环结构，它扫描单个基本块（basic block）里相邻、同构、无数据依赖的标量指令，比如连续几行独立的 a[i] = b[i] + c[i]、a[i+1] = b[i+1] + c[i+1]，只要操作数模式一致、内存访问对齐且无别名冲突，就打包成一条向量指令。它本质上是“横向向量化”——把同一迭代内多个相似语句压进一个向量寄存器。
常见错误现象：-fno-slp-vectorize 关闭后，原本能生成 vadd.f32 的 ARM 汇编或 addps 的 x86 汇编，退化为多条标量加法；Clang 默认开启 SLP，但 GCC 需要 -ftree-vectorize -ftree-vectorizer-verbose=2 才可能触发类似行为（注意：GCC 的 SLP 支持弱于 LLVM）。
- 适用场景：结构化初始化、重复表达式展开（如
A[0]=x*y; A[1]=x*z; A[2]=y*z; A[3]=x+x）、手动展开但未用循环的代码 - 关键限制：要求操作数类型/宽度一致，且不能有跨语句的控制依赖或隐式别名（例如
p[0]和q[0]若未加restrict，SLP 可能放弃整个块） - 性能影响：SLP 的 pack/unpack 开销必须小于收益，否则编译器会跳过；对小规模重复计算（
循环向量化聚焦于迭代间的连续数据流
循环向量化（Loop Vectorization，LV）的目标是把一个循环体“纵向拉伸”，把原本 N 次迭代中每次处理 1 个元素，变成每次处理 W 个元素（W 是向量宽度，如 4×float、8×int）。它要求内存访问具有可预测的步长和连续性，比如 a[i], a[i+1], a[i+2], a[i+3] 能映射到同一缓存行。
典型失败原因：clang -O2 -Rpass-missed=loop-vectorize 会输出类似 loop not vectorized: call instruction cannot be vectorized 或 loop with non-constant stride not supported。常见陷阱包括：数组索引含非线性表达式（a[i*i]）、指针算术不可判定（p += unknown_offset）、或缺少 restrict 导致运行时别名检查插入分支开销。
- 使用场景：常规 for 循环遍历数组、图像像素处理、矩阵行/列操作
- 参数差异：
-force-vector-width=8强制 256-bit 宽度（AVX2），而-force-vector-interleave=2表示展开 2 轮循环再向量化，适合访存延迟高的场景 - 兼容性影响：LV 生成的代码可能带运行时检查（如
memcheck分支），在嵌入式或硬实时环境中需确认是否允许分支预测失效
两者常被同时启用，但失败路径完全不同
LLVM 默认同时开启 SLP 和 LV，但它们走的是两套独立分析流程：SLP 在 SLPVectorizer Pass 中运行，LV 在 LoopVectorize Pass；一个失败不影响另一个。例如，一个含函数调用的循环可能 LV 失败（因 call 指令阻塞），但循环体内连续的赋值语句仍可能被 SLP 向量化。
调试建议：用 clang++ -O2 -Rpass=loop-vectorize -Rpass=slp-vectorize 查看哪些被成功转换；若只看到 SLP 成功而 LV 失败，优先检查循环是否存在 break、continue、条件分支或外部函数调用。
- SLP 失败常见提示：
SLP vectorization is disabled（被-fno-slp-vectorize禁用）或not forming vectorizable tree: store has unhandled type（类型不匹配） - LV 失败常见提示：
loop carried dependency（跨迭代依赖）、reduction variable not recognized（sum 等归约变量未显式声明为reduction(+:sum)） - 二者都绕不开别名分析：即使写了
int *restrict a，若函数参数中混用非 restrict 指针，LV 可能仍插入运行时检查，而 SLP 直接放弃整块
实际代码中怎么判断该优化哪一种
看数据组织方式比看语法结构更可靠。如果一组计算天然“并排”出现（如结构体字段赋值、RGBA 四通道分别运算），SLP 更可能生效；如果是“一维数组顺序扫一遍”，LV 是主力。但真实代码常混合——比如一个循环里先做四次独立计算（SLP 候选），再累加到 sum（LV 归约候选），此时 LLVM 会分阶段处理。
最易被忽略的一点：SLP 对代码布局敏感。把 a0 = b0 + c0; a1 = b1 + c1; 写成两行，和写成 a0 = b0 + c0; d0 = e0 * f0; a1 = b1 + c1;（中间插了无关语句），SLP 可能完全失效——它只扫描紧邻的同构指令序列，不跨跳转或复杂控制流。
