AVX2水平求和汇编实现问题：自定义内联汇编函数失效排查

先看你原有的C实现逻辑：

static inline float hsum256_ps(__m256 v) {
    __m128 lo = _mm256_castps256_ps128(v);
    __m128 hi = _mm256_extractf128_ps(v, 1);
    __m128 sum128 = _mm_add_ps(lo, hi);
    __m128 shuf = _mm_movehdup_ps(sum128);
    __m128 sums = _mm_add_ps(sum128, shuf);
    shuf = _mm_movehl_ps(shuf, sums);
    sums = _mm_add_ss(sums, shuf);
    return _mm_cvtss_f32(sums);
}

你写的汇编版本有几个关键错误，导致逻辑完全偏离：

• 操作数顺序搞反：x86（包括AVX）汇编的指令格式是 指令 源操作数1, 源操作数2, 目标操作数，你写的vaddps %%xmm0, %%xmm0, %%xmm1是把xmm0加xmm0存到xmm1，但原逻辑是lo（xmm0）加hi（xmm1）得到sum128，这一步就错了。
• 缺少AVX前缀：movshdup和movhlps应该用vmovshdup和vmovhlps，非VEX前缀的指令会切换到SSE模式，破坏AVX寄存器状态，也容易出逻辑问题。
• 寄存器使用逻辑混乱：后续的加法和shuffle操作完全没对应原C的步骤，比如你反复把xmm0加到自己存到xmm1，完全和水平求和的逻辑不沾边。

修正后的汇编代码如下，每一步都对应原C的逻辑：

static inline float hsum256_ps(__m256 v){
    float r;

    __asm__ __volatile__ (
        // 提取低128位到xmm0，对应lo = _mm256_castps256_ps128(v)
        "vextractf128  $0,  %1, %%xmm0           \n\t"
        // 提取高128位到xmm1，对应hi = _mm256_extractf128_ps(v, 1)
        "vextractf128  $1,  %1, %%xmm1           \n\t"
        // sum128 = lo + hi，结果存在xmm0
        "vaddps        %%xmm1, %%xmm0, %%xmm0    \n\t"
        // shuf = _mm_movehdup_ps(sum128)，把xmm0的高半部分复制到低半部分，存在xmm1
        "vmovshdup     %%xmm0, %%xmm1            \n\t"
        // sums = sum128 + shuf，结果存在xmm0
        "vaddps        %%xmm1, %%xmm0, %%xmm0    \n\t"
        // shuf = _mm_movehl_ps(shuf, sums)，把xmm0的高64位移到xmm1的低64位
        "vmovhlps      %%xmm0, %%xmm1, %%xmm1    \n\t"
        // sums = sums + shuf（单精度加法），结果存在xmm0
        "vaddss        %%xmm1, %%xmm0, %%xmm0    \n\t"
        // 把xmm0的低32位单精度值存到r
        "vmovss        %%xmm0, %0                \n\t"

        : "=m"(r) 
        : "x"(v) 
        : "xmm0", "xmm1"
    );

    return r;
}

另外补充个小优化：其实可以不用vextractf128 $0，直接把YMM寄存器的低128位当成XMM寄存器使用，但上面的代码严格对应原C逻辑，更容易理解。

内容的提问来源于stack exchange，提问作者Googlebot