GCC为何采用三种不同方式实现fmin/fmax浮点极值运算？

我手上有若干功能完全一致的例程，作用是将浮点数截断到[0,65535]区间内。使用GCC -O3优化等级编译时，编译器采用了三种不同方式实现浮点最小值fmin与最大值fmax逻辑，对应C++代码如下：

float clamp1(float x) {
    x = (x < 0.0f) ? 0.0f : x;
    x = (x > 65535.0f) ? 65535.0f : x;
    return x;
}

float clamp2(float x) {
    x = std::max(0.0f, x);
    x = std::min(65535.0f, x);
    return x;
}

float clamp3(float x) {
    x = std::min(65535.0f, x);
    x = std::max(0.0f, x);
    return x;
}

以下是去除冗余样板代码后的生成汇编结果，使用GCC10.3搭配-O3参数即可复现，结果中同时包含Clang14的编译选择：

CLAMP1:
    movaps  %xmm0, %xmm1
    pxor    %xmm0, %xmm0
    comiss  %xmm1, %xmm0
    ja  .L9
    movss   .LC1(%rip), %xmm0     # 65535.0f
    movaps  %xmm0, %xmm2
    cmpltss %xmm1, %xmm2
    andps   %xmm2, %xmm0
    andnps  %xmm1, %xmm2
    orps    %xmm2, %xmm0
.L9:
    ret

CLAMP2:
    pxor    %xmm1, %xmm1
    comiss  %xmm1, %xmm0
    ja  .L20
    pxor    %xmm0, %xmm0
    ret
.L20:
    minss   .LC1(%rip), %xmm0      # 65535.0f
    ret

CLAMP3:
    movaps  %xmm0, %xmm1
    movss   .LC1(%rip), %xmm0      # 65535.0f
    comiss  %xmm1, %xmm0
    ja  .L28
    ret
.L28:
    maxss   .LC2(%rip), %xmm1      # 0.0f
    movaps  %xmm1, %xmm0
    ret

目前可观测到共三种不同的MIN/MAX实现方式：

• 使用比较+分支跳转实现
• 使用minss和maxss指令实现
• 使用比较指令搭配andps、andnps、orps指令实现

问题解答 #

1. 三种实现的性能差异 #

三者性能并不一致，适用场景各有区别：

• 分支跳转实现：性能完全取决于分支预测命中率。如果输入数据绝大多数落在[0,65535]区间内（比如常规图像像素值），分支预测命中率接近100%，此时该实现速度最快，直通路径仅需2_{3条指令即可返回；但如果输入数据分布随机，分支预测频繁失效，每次误判会触发流水线冲刷，带来10}20个时钟周期的惩罚，性能会下跌3~5倍，是三种实现里最慢的。
• minss/maxss单指令实现：这两条指令在现代x86处理器上延迟为1个时钟周期，每周期可吞吐2条，单指令效率极高，但存在NaN语义约束，无法在严格遵循IEEE浮点标准的场景下直接使用。
• 逻辑指令组合无分支实现：全程无分支，性能不受输入分布影响，延迟稳定在3~4个时钟周期，比分支误判时的表现好很多，但指令数更多，延迟比单条minss/maxss高。

2. 编译器选择不同实现的决策逻辑 #

GCC10.3生成三种不同代码本质是中端优化的模式匹配不完善，结合常量生成成本、浮点语义约束共同导致的：

• 对于手写三元组的clamp1，优化器将下界（与0比较）识别为低成本分支逻辑——0可以通过pxor指令直接由寄存器生成，不需要访存读取常量；但处理上界（与65535比较）时，优化器没有匹配到分支或minss指令模式，转而走了严格符合IEEE语义的无分支逻辑生成路径，最终产出了逻辑指令组合的代码。
• 对于先做max(0,x)的clamp2，优化器判断第一个比较的常量0生成成本极低，分支直通收益高：如果x≥0直接跳转到后续min逻辑，否则直接清零返回。后续min逻辑中，优化器判定此时用minss的语义风险可接受，因此直接生成了单指令min实现。
• 对于先做min(65535,x)的clamp3，第一个比较的常量65535需要从内存加载，生成成本更高，优化器选择了分支逻辑：如果x≤65535直接返回x，否则跳转到后续max逻辑，匹配生成了maxss单指令实现。
  这种不一致是旧版本GCC的优化缺陷，高版本GCC、Clang都已经统一了该场景的代码生成逻辑，不会再出现同语义不同实现的问题。

3. 逻辑指令组合实现的原理 #

该实现是标准的SIMD无分支选择（blend）逻辑，全程按位操作，没有控制流跳转，步骤如下（AT&T语法，源操作数在左，目的在右）：

1. 用cmpltss %xmm1, %xmm2做比较：其中xmm1存输入x，xmm2初始存常量65535.0f。比较结果为：如果65535 < x（即x超出上界），xmm2所有位被设为1（0xFFFFFFFF）；否则所有位设为0。如果x是NaN，比较结果为无序，xmm2会被设为全0。
2. 执行andps %xmm2, %xmm0：xmm0存常量65535.0f。当x超界时xmm2全1，与操作后xmm0保留65535.0f；当x不超界时xmm2全0，与操作后xmm0为0。
3. 执行andnps %xmm1, %xmm2：该指令逻辑为目的 = ~目的 & 源。当x超界时xmm2原先是全1，取反后全0，与操作后结果为0；当x不超界时xmm2原先是全0，取反后全1，与操作后结果为原输入x。如果x是NaN，这一步会保留NaN值。
4. 执行orps %xmm2, %xmm0：将前两步的结果做或运算，超界时得到65535.0f | 0 = 65535.0f，不超界时得到0 | x = x，NaN场景下会正确返回NaN，完全符合IEEE浮点语义。

4. 无分支双minss/maxss实现的性能 #

如果允许放宽浮点语义（比如开启-ffast-math或-ffinite-math-only，不要求NaN输入返回NaN），连续使用maxss、minss两条指令的无分支实现是所有方案里性能最高的：总延迟仅2个时钟周期，吞吐是逻辑指令组合实现的2倍以上，完全没有分支预测失败的风险。
如果需要严格遵循IEEE浮点语义，只需要在两条指令前增加1条NaN判断指令修正结果，总开销依然低于逻辑指令组合实现，性能更优。

内容的提问来源于stack exchange，提问作者jyelon