把 llama.cpp 编译出 AVX2 和 AVX-512 VNNI 两个版本，拿同一个 7B Q4_0 模型跑llama-bench，你会看到一组分裂的数字：prompt eval（预填充）那一栏，VNNI 比 AVX2 快 43%；token generation（解码）那一栏，两者几乎贴在一起，差不到 5%。同一段热点代码、同一颗 CPU、同一个量化格式，SIMD 指令换了一档，一半场景起飞、另一半场景纹丝不动。这不是测试出错。这是 SIMD 在量化推理里真实的作用边界——它能不能帮到你，取决于你在哪一侧撞墙：算力墙，还是内存带宽墙。一个性能工程师如果在动手之前没把这堵墙认清楚，很容易花一周时间把vec_dot抠快 30%，最后端到端只快了 2%，然后对着 profile 发懵。更有意思的是，这四个平台的实现差异，几乎是一部浓缩的"指令集如何为深度学习让路"的历史。x86 从凑合用多媒体指令maddubs，到专门为神经网络造的 VNNI；ARM 从老核只能vmull硬凑，到 dotprod 一条 SDOT 搞定、再到 i8mm 把矩阵乘塞进单指令；WASM 则卡在最朴素的 128 位基线上，连融合点积都还在提案里。同一个 int8 点积，四个平台用四套指令、四种代价实现，把各家指令集的代际差距摊在了同一段代码上——这本身就是一个绝佳的观察样本。下面我们把这条被调用上亿次的热点路径ggml_vec_dot_q4_0_q8_0，在 x86 AVX2、AVX-512 VNNI、ARM NEON、WebAssembly S