Halide vs openblas sger inner loop

 Halide:

  1.42 │ e0:   vmovup -0x60(%rdi),%ymm0
  4.50 │       vmovup -0x40(%rdi),%ymm6
  4.97 │       vmovup -0x20(%rdi),%ymm7
  2.54 │       vmovup (%rdi),%ymm8
 30.71 │       vfmadd (%rsi),%ymm5,%ymm8
  7.82 │       vfmadd -0x20(%rsi),%ymm5,%ymm7
 22.69 │       vfmadd -0x40(%rsi),%ymm5,%ymm6
  5.42 │       vfmadd -0x60(%rsi),%ymm5,%ymm0
  2.74 │       vmovup %ymm0,-0x60(%rsi)
  2.40 │       vmovup %ymm6,-0x40(%rsi)
  2.15 │       vmovup %ymm7,-0x20(%rsi)
  1.03 │       vmovup %ymm8,(%rsi)
  2.96 │       sub    $0xffffffffffffff80,%rsi
  5.06 │       sub    $0xffffffffffffff80,%rdi
  0.08 │       add    $0xffffffffffffffff,%rbp
  2.07 │     ↑ jne    e0

  Openblas:

  1.25 │10:   vmovup (%rdx,%rax,4),%ymm12
 21.01 │      vmovup 0x20(%rdx,%rax,4),%ymm13
  3.29 │      vmovup 0x40(%rdx,%rax,4),%ymm14
 20.35 │      vmovup 0x60(%rdx,%rax,4),%ymm15
  8.39 │      vfmadd (%rsi,%rax,4),%ymm0,%ymm12
  8.46 │      vfmadd 0x20(%rsi,%rax,4),%ymm0,%ymm13
  9.95 │      vfmadd 0x40(%rsi,%rax,4),%ymm0,%ymm14
 11.35 │      vfmadd 0x60(%rsi,%rax,4),%ymm0,%ymm15
  0.09 │      vmovup %ymm12,(%rdx,%rax,4)
  2.95 │      vmovup %ymm13,0x20(%rdx,%rax,4)
  0.13 │      vmovup %ymm14,0x40(%rdx,%rax,4)
  7.65 │      vmovup %ymm15,0x60(%rdx,%rax,4)
  0.01 │      add    $0x20,%rax
  0.06 │      sub    $0x20,%rdi
  4.65 │    ↑ jne    10