使用 _mm_add_ps 前必须启用 sse 编译选项（如 -msse），且数据需 16 字节对齐；常量向量应提至循环外，避免频繁调用 _mm_set_ps；类型转换需注意截断规则与分量位置，谨防溢出与未定义行为。
用 _mm_add_ps 前得先确认编译器开了 SSE 支持
很多代码一贴就报 undefined reference to `_mm_add_ps'，不是写错了，是编译器根本没启用 SIMD 指令集。GCC/Clang 默认不打开 SSE，哪怕你 #include <immintrin.h></immintrin.h> 也没用。
必须加编译选项：-msse（SSE1）、-msse2、-mavx 等，对应你用的指令。比如用 _mm_add_ps（单精度浮点加法），至少要 -msse；如果用了 _mm256_add_ps，就得 -mavx。
- Windows MSVC 不需要显式开开关，但得确保目标平台设为 x64（x86 默认可能关 AVX）
- Clang 在 macOS 上默认不支持 AVX，需额外加
-mavx，否则链接时报错 - 用 CMake 时别只写
set(CMAKE_CXX_FLAGS "...")，要用target_compile_options绑定到具体 target，不然容易漏
数组对齐不是“可选优化”，而是 _mm_load_ps 的硬性要求
_mm_load_ps 要求地址 16 字节对齐，否则运行时直接崩溃（SIGBUS 或非法指令）。这不是性能问题，是安全边界。
常见错误：直接拿普通 float arr[4] 或 std::vector<float></float> 的 .data() 去传给 _mm_load_ps —— 几乎肯定不对齐。
立即学习“C++免费学习笔记（深入）”；
- 用
alignas(16) float arr[4]声明栈数组 - 堆上分配：用
aligned_alloc(16, size)（C11）或_mm_malloc(size, 16)（Intel 提供，需配对_mm_free） - 如果数据来源不可控（比如从文件读、网络收），改用
_mm_loadu_ps（u = unaligned），性能略低但安全 - 注意：AVX 的
_mm256_load_ps要求 32 字节对齐，别混用
别在循环里反复调用 _mm_set_ps 构造常量向量
像 _mm_set_ps(1.0f, 2.0f, 3.0f, 4.0f) 看似方便，但它每次调用都生成 4 条指令（甚至更多），在 hot loop 里会吃掉大量周期。
真正高效的做法是把常量向量提到循环外，用 static const __m128 kConst = _mm_set_ps(...)，或者用内存加载（对齐后 _mm_load_ps(&kData[0])）。
-
_mm_set_ps是 runtime 构造，不是 compile-time 常量；编译器很难优化掉 - 如果常量是标量（比如全加 0.5f），优先用
_mm_set1_ps(0.5f)，它通常编译成一条 broadcast 指令 - AVX 下同理：
_mm256_set1_ps比_mm256_set_ps更轻量
混合使用标量和向量时，_mm_cvtss_si32 这类转换函数容易丢精度或截断
从向量取单个分量转成整数，很多人直接写 _mm_cvtss_si32(_mm_castps_si128(v))，但这个函数默认按「向零截断」（truncation），不是四舍五入。输入是 -1.9f，结果是 -1，不是 -2。
更麻烦的是，它只处理第一个分量（lane 0），其他三个被忽略——如果你本意是取最大值再转，这就完全错了。
- 需要四舍五入？先用
_mm_round_ps(v, _MM_FROUND_TO_NEAREST_INT)（SSE4.1+），再转 - 要取 lane 1/2/3 的值？用
_mm_shuffle_ps把目标分量移到 lane 0，再转换 - 整数转浮点：优先用
_mm_cvtepi32_ps（SSE4.1），比先转_mm_cvtsi32_ss再 broadcast 更直接 - 跨类型混合运算（比如 int32 累加后转 float 归一化），注意溢出：int32 向量累加满 2^31 就会 wrap，别等结果爆了才查
向量化不是把 for 循环改成 _mm_* 就完事，对齐、常量、转换、溢出——每个环节都卡在细节里。漏掉一个，要么 crash，要么结果错，还不好 debug。
