Компилятор Intel c ++, ICC, похоже, игнорирует настройки SSE / AVX

Недавно я скачал и установил компилятор Intel C ++ Composer XE 2013 для Linux, который можно бесплатно использовать для некоммерческой разработки.
http://software.intel.com/en-us/non-commercial-software-development

Я бегу по системе Ivy Bridge (которая имеет AVX). У меня есть две версии функции, которые делают то же самое. Один не использует SSE / AVX. Другая версия использует AVX. В GCC код AVX примерно в четыре раза быстрее, чем скалярный код. Однако с компилятором Intel C ++ производительность намного хуже. С GCC я компилирую вот так

gcc m6.cpp -o m6_gcc -O3 -mavx -fopenmp -Wall -pedantic

С Intel я так компилирую

icc m6.cpp -o m6_gcc -O3 -mavx -fopenmp -Wall -pedantic

Я использую только OpenMP для синхронизации (с omp_get_wtime()) с этой точки зрения.
Странно то, что если я изменю опцию avx, чтобы сказать msse2 код не компилируется с GCC, но прекрасно компилируется с ICC. На самом деле я могу бросить mavx все вместе и все еще компилируется. Кажется, неважно, какие опции я пробую, он компилирует, но не использует оптимально код AVX. Поэтому мне интересно, делаю ли я что-то не так при включении / отключении SSE / AVX с помощью ICC?

Вот функция с AVX, которую я использую.

inline void prod_block4_unroll2_AVX(double *x, double *M, double *y, double *result) {
__m256d sum4_1 = _mm256_set1_pd(0.0f);
__m256d sum4_2 = _mm256_set1_pd(0.0f);

__m256d yrow[6];
for(int i=0; i<6; i++) {
yrow[i] = _mm256_load_pd(&y[4*i]);
}
for(int i=0; i<6; i++) {
__m256d x4 = _mm256_load_pd(&x[4*i]);
for(int j=0; j<6; j+=2) {
__m256d brod1 = _mm256_set1_pd(M[i*6 + j]);
sum4_1 = _mm256_add_pd(sum4_1, _mm256_mul_pd(_mm256_mul_pd(x4, brod1), yrow[j]));
__m256d brod2 = _mm256_set1_pd(M[i*6 + j+1]);
sum4_2 = _mm256_add_pd(sum4_2, _mm256_mul_pd(_mm256_mul_pd(x4, brod2), yrow[j+1]));
}
}
sum4_1 = _mm256_add_pd(sum4_1, sum4_2);
_mm256_store_pd(result, sum4_1);
}

Здесь информация о времени в секундах. Я использую три диапазона, соответствующие диапазонам кэша L1, L2 и L3. Я получаю только 4x в регионе L1. Обратите внимание, что ICC имеет гораздо более быстрый скалярный код, но более медленный код AVX.

GCC:
nvec 2000, repeat 100000
time scalar 5.847293
time SIMD 1.463820
time scalar/SIMD 3.994543

nvec 32000, repeat 10000
time scalar 9.529597
time SIMD 2.616296
time scalar/SIMD 3.642400
difference 0.000000

nvec 5000000, repeat 100
time scalar 15.105612
time SIMD 4.530891
time scalar/SIMD 3.333917
difference -0.000000

ICC:
nvec 2000, repeat 100000
time scalar 3.715568
time SIMD 2.025883
time scalar/SIMD 1.834049

nvec 32000, repeat 10000
time scalar 6.128615
time SIMD 3.509130
time scalar/SIMD 1.746477

nvec 5000000, repeat 100
time scalar 9.844096
time SIMD 5.782332
time scalar/SIMD 1.702444