meta.Vectors背后的黑魔法是什么？
what is dark magic behind meta.Vectors?
在基于通用算法和迭代器实现了一些向量代数之后，我决定 运行 一些基准测试。这个想法是将自定义向量与 meta.Vector 的性能（进行加法和缩放）进行比较。
当向量的大小设置为 10 时，自定义向量的性能略优于 meta.Vectors。当向量的大小设置为 100 时，meta.Vectors 略优于自定义向量。当向量的大小设置为 1000 时，自定义向量执行加法的速度是 meta.Vectors 的两倍，缩放速度比 meta.Vectors 稍慢（使用 @splat）。
最有趣的是编译时间——它们随着向量大小的增长而增长（没有测量，无法判断编译时间是否与向量大小呈线性关系）。当向量的大小设置为 10_000 时，我最终（经过漫长的等待）收到 shell returned 137 错误消息（在编译期间）；在我注释掉任何提及 meta.Vector 之后，代码编译得很好。
所以我的问题是，什么样的（编译器？）黑魔法让 1000 大小的 meta.Vectors 工作得如此之快，我可以用它来使我的代码更快吗？
P. S.：基准测试是 运行 和 -O ReleaseFast，所有变量都标记为 var
P. P. S.：在调试模式下代码 10_000-sized meta.Vectors 最终编译
据我所知，它所做的就是明确利用 LLVM 的 SIMD 支持。
在基于通用算法和迭代器实现了一些向量代数之后，我决定 运行 一些基准测试。这个想法是将自定义向量与 meta.Vector 的性能（进行加法和缩放）进行比较。
当向量的大小设置为 10 时，自定义向量的性能略优于 meta.Vectors。当向量的大小设置为 100 时，meta.Vectors 略优于自定义向量。当向量的大小设置为 1000 时，自定义向量执行加法的速度是 meta.Vectors 的两倍，缩放速度比 meta.Vectors 稍慢（使用 @splat）。
最有趣的是编译时间——它们随着向量大小的增长而增长（没有测量，无法判断编译时间是否与向量大小呈线性关系）。当向量的大小设置为 10_000 时，我最终（经过漫长的等待）收到 shell returned 137 错误消息（在编译期间）；在我注释掉任何提及 meta.Vector 之后，代码编译得很好。
所以我的问题是，什么样的（编译器？）黑魔法让 1000 大小的 meta.Vectors 工作得如此之快，我可以用它来使我的代码更快吗？
P. S.：基准测试是 运行 和 -O ReleaseFast，所有变量都标记为 var
P. P. S.：在调试模式下代码 10_000-sized meta.Vectors 最终编译
据我所知，它所做的就是明确利用 LLVM 的 SIMD 支持。