为什么这一系列指令更快？

Question

我正在比较GCC和Clang输出以评估浮点表达式，并偶然发现了我无法解释的性能差异。

源代码

float evaluate(float a, float b) {
    return (a - b + 1.0f) * (a - b) * (a - b - 1.0f);
}

GCC 7.2（-std = c ++ 1y -O2）产生

evaluate(float, float):
  subss xmm0, xmm1
  movss xmm2, DWORD PTR .LC0[rip]
  movaps xmm1, xmm0
  addss xmm1, xmm2
  mulss xmm1, xmm0
  subss xmm0, xmm2
  mulss xmm0, xmm1
  ret
.LC0:
  .long 1065353216

虽然Clang 5.0.0（-std = c ++ 1y -O2）产生了

.LCPI0_0:
  .long 1065353216 # float 1
.LCPI0_1:
  .long 3212836864 # float -1
evaluate(float, float): # @evaluate(float, float)
  subss xmm0, xmm1
  movss xmm1, dword ptr [rip + .LCPI0_0] # xmm1 = mem[0],zero,zero,zero
  addss xmm1, xmm0
  mulss xmm1, xmm0
  addss xmm0, dword ptr [rip + .LCPI0_1]
  mulss xmm0, xmm1
  ret

GCC似乎更喜欢movaps而不是movss，即使在这种情况下movss就足够了。正如Peter Cordes所指出的，这实际上更好，因为使用movaps可以避免因对XMM寄存器的部分更新而失速。

GCC使用三个而不是两个XMM寄存器。

Clang使用两个常量并且只为它们添加，而不是仅使用一个并使用subss从寄存器中减去一个。

我绘制了这些序列的指令级真正依赖关系，而Clang的缩短了一级。

性能方面，与我的预期完全不同， GCC版本的速度提高了约30％。

我在Intel（Broadwell）和AMD（Bulldozer）CPU上测试了这个，我不明白为什么GCC代码会更快。

原始基准使用了错误的内联asm代码。在为感兴趣的函数的C ++代码创建两个目标文件（一个使用GCC，一个使用Clang）并使用GCC链接它们之后，性能差异消失了。 Peter Cordes暗示这可能是因为{{ 1}}省略-O1指令。

我查看了新基准测试方法的编译器输出，并断言.p2align的两个实现都具有与上面完全相同的代码，并且编译器实际上正在调用它们。