@satoshi: おっと、-march=amdfam10 のつもりだった。すまない。
@4way の改善について混乱している皆さん：このコードは Phenom（940）で開発し、（少なくとも 64 ビットモードでは）検証済みで、見ている改善は本物だ。
ハイパースレッディングについて：わずかなパフォーマンス向上があるようだ。おそらくロード/ストア命令を演算命令と並行して実行していることによる。ABI に関数を組み込むための通常の x86 命令はごくわずかだ。総 CPU 時間の 2%未満で済む（gprof で測定）。