avx2过滤必须用_mm256_movemask_ps或_mm256_movemask_epi8提取掩码，否则无法用于c++分支；直接转换__m256i为bool行为未定义；条件写入需手动实现，对齐、残余、无符号陷阱是性能关键。
AVX2过滤必须用_mm256_movemask_ps提取掩码
直接用_mm256_cmpeq_ps或_mm256_cmpgt_epi32只能得到向量化的比较结果（256位寄存器），但C++逻辑分支没法直接消费它。必须调用_mm256_movemask_ps（浮点）或_mm256_movemask_epi8（整数）把每个通道的最高位抽成一个32位整数掩码，才能用if或查表做后续分支。
常见错误是跳过这步，试图把__m256i直接转bool——编译可能过，但行为未定义；或者误用_mm256_extract_epi32逐元素取，完全丧失并行意义。
- 浮点比较后用
_mm256_movemask_ps，整数比较后优先用_mm256_movemask_epi8（注意：它返回256位中每个字节的符号位，需配合位运算压缩） - 掩码值范围是0–0xFF（8元素）或0–0xFFFF（16元素），别当成布尔数组下标直接用
- GCC/Clang下确保启用
-mavx2，否则_mm256_movemask_epi8可能被降级为慢速模拟
过滤出有效元素得靠“条件写入”，不是“条件跳过”
AVX2没有原生的“根据掩码只存某些元素”指令。想把满足条件的原始数据攒进输出缓冲区，不能靠if (mask & (1这种标量循环——那等于白跑SIMD。
正确做法是：先用_mm256_blendv_epi8或_mm256_maskload_epi32（后者需对齐地址）做向量级选择，再用_mm256_storeu_si256批量落盘；或者更实用的是，用掩码查预生成的“偏移表”（如popcnt前缀和），直接算出每个通道在输出中的位置。
立即学习“C++免费学习笔记（深入）”；
-
_mm256_blendv_epi8需要一个全1/全0的控制向量，得用_mm256_cmpeq_epi32自己构造，别硬塞标量常量 - 输出缓冲区必须保证足够大（比如处理N个元素，输出最多N个），避免运行时越界
- 如果输出长度远小于输入（稀疏过滤），用
_mm256_movemask_epi8+__builtin_popcount快速统计本次256位里有几个命中，比逐元素判断快得多
内存对齐和数据分块不处理好，AVX2反而比标量慢
AVX2指令对非对齐访问容忍度低：_mm256_load_si256强制要求32字节对齐，错位会触发#GP异常；而_mm256_loadu_si256虽安全，但跨缓存行读取时性能跌30%+。
真实场景中，原始数据往往不对齐。必须手动处理头尾残余：前几个元素用标量逻辑跑完，中间用AVX2批处理，末尾再补标量。别指望编译器自动向量化——它通常不敢动用户写的for循环边界。
- 检查输入指针：
((uintptr_t)data) % 32 == 0才可放心用_mm256_load_si256 - 分块大小按256位（32字节）对齐，例如int32数组每块8个元素，float32每块8个，int8每块32个
- Clang的
#pragma clang loop vectorize(enable)对简单过滤无效，它无法推导掩码写入逻辑，手写intrinsics更可靠
整数比较要注意符号位和指令选择
用_mm256_cmpgt_epi32比较有符号int32没问题，但若数据实际是无符号（比如uint32的ID），cmpgt会把高位当符号位，导致0xFFFFFFFF > 0误判为假。这时候要么转成无符号比较指令（AVX2没有_mm256_cmpgt_epu32），要么手动修正。
可行方案：用_mm256_sub_epi32做减法，再用_mm256_srai_epi32算术右移31位，得到全0（≥0）或全-1（
- AVX2确实缺失无符号32位比较指令，这是硬限制，别在文档里找不存在的函数名
-
_mm256_cmpgt_epi32(a, b)等价于a > b（有符号），不是a > b（无符号） - 如果数据范围确定不溢出，可提前加偏移转成有符号空间运算，比如uint32全转成int32再减去0x80000000
