Режим разгрузки фи Xeon, как использовать преимущества параллелизма потоков и векторизации

Я делаю некоторые тесты производительности на Xeon Phi с использованием Cilk Plus с разгрузкой.

В простой программе векторного добавления у меня есть 2 способа сделать это:

1. использование cilk_for для разделения задач на разные потоки в Xeon phi:

   __declspec(target(mic)) void vector_add(double *A,double *B,double *C,
   int  vector_size)
   {
   _Cilk_for(int i=0;i<vector_size;i++)
   {
   C[i] +=  A[i] + B[i];
   }
   }
   double *A,*B,*C;
   //allocating and initializing  A, B ,C using malloc.....
   #pragma offload target(mic:0) \
   in(B:length(vector_size)) \
   in(A:length(vector_size)) \
   in(C:length(vector_size)) \
   in(vector_size )
   {
   vector_add(A,B,C,vector_size);
   }
   

2. Используя векторную аннотацию:

   double *A,*B,*C;
   //allocating and initializing  A, B ,C using malloc.....
   #pragma offload target(mic:0) \
   in(B:length(vector_size)) \
   in(A:length(vector_size)) \
   in(C:length(vector_size))
   //in(vector_size )
   //signal(offload0)
   {
   C[0:vector_size] = A[0:vector_size]+B[0:vector_size];
   }
   

Мой тест показывает, что первый способ в ~ 10 раз быстрее, чем второй на xeon phi. Та же самая история происходит, когда я не разгружаю и запускаю его на хост-процессоре Xeon E5.

Сначала я хочу знать, правильно ли мое понимание:

Первый способ использует только параллелизм потоков (60 ядер * по 4 потока в каждом) в XEON phi. Но никакая векторная операция не будет выполнена.

Второй способ использует векторизацию только потому, что этот код будет выполняться только в одном потоке с использованием инструкций SIMD (IMCI).

Во-вторых, я хотел бы знать, как правильно написать это так, чтобы он одновременно разделял задачи на разные потоки и использовал векторные инструкции на Xeon phi?

Заранее спасибо.