gcc __builtin_memcpy特定字节数下性能远劣于clang，求技术分析

最近在设计算法的过程中，我碰到了一个挺头疼的性能问题——一段逻辑简单的代码，用GCC编译后的运行表现和Clang（macOS下的cc）版本差了一大截，特意整理了复现细节和目前的尝试，想请各位大佬给点思路。

复现步骤 #

• 创建包含目标代码的test.c文件
• 使用GCC编译并运行：gcc test.c -O3 -o test_gcc && ./test_gcc
• 使用macOS自带的cc（本质是Clang）编译并运行：cc test.c -O3 -o test_clang && ./test_clang

性能测试结果 #

• GCC编译版本的用户耗时约23秒
• Clang编译版本的运行耗时直接降到了不到9秒，性能提升超过2.5倍

已尝试的操作 #

我已经尝试手动替换代码中的__builtin_memcpy函数，但性能提升并不明显，核心的性能差距问题依然存在。

想请教大家：有没有遇到过类似的情况？可能的根因是什么？有没有什么针对性的优化方案或者编译参数可以调整，来缩小这个性能差距？

内容的提问来源于stack exchange，提问作者gpnuma