下面是我处理这个问题的方法，我使用了一个部分重叠的最终迭代（加上一个可选的初始向量循环对齐）。
这种方法的优点是最后几个元素可以在单个额外的循环迭代中处理。
缺点是：

• 如果整个数组小于16字节，则需要回退
• 可能会导致读取-修改-写入循环中代价高昂的加载-存储转发暂停。请将其用于a[i] = b[i] + c[i]，但不要用于a[i] += b[i]。如果可以使用别名，则很容易修改代码以捕获a == b || a == c情况并使用回退
• 移植到AVX 2或AVX 512时，可能需要一些特定于硬件的调整。具体而言：最后的迭代应该使用完整的32或64字节向量，还是应该只用于最后的16字节向量？
• 如果元素在向量寄存器中不是位置不变的，则不适用，例如，如果您执行混洗、变量移位等操作。

我还加入了一个可选的内存位置对齐;这里我选择了输出。我认为这对于AVX不是特别必要，但它使用了相同的技术，如果您适应SSE 2或AVX 512，可能会很方便。
我用C++编写了这篇文章，其中包含英特尔内部函数，但如果您想将汇编器输出应用到ASM中，它的可读性非常强。

#include <immintrin.h>

#include <cstddef>

void vector_add(float* out, std::ptrdiff_t n, const float* left, const float* right)
{
    __m128 left_i, right_i, out_i;
    std::ptrdiff_t i = 0;
    if(n >= 4) {
#     ifdef ALIGN_OUTPUT
        /*
         * Optional: Do one unaligned iteration, then move the counter
         * up to the first 16-byte aligned output element
         */
        left_i = _mm_loadu_ps(left);
        right_i = _mm_loadu_ps(right);
        out_i = _mm_add_ps(left_i, right_i);
        _mm_storeu_ps(out, out_i);
        i = ((reinterpret_cast<std::ptrdiff_t>(out + 4) & ~15)
            - reinterpret_cast<std::ptrdiff_t>(out)) / sizeof(float);
#     endif
        for(; n - i >= 4; i += 4) {
            left_i = _mm_loadu_ps(left + i);
            right_i = _mm_loadu_ps(right + i);
            out_i = _mm_add_ps(left_i, right_i);
#         ifdef ALIGN_OUTPUT
            _mm_store_ps(out + i, out_i);
#         else
            _mm_storeu_ps(out + i, out_i);
#         endif
        }
        if(n - i > 0) {
            /*
             * Since we know we had at least 4 elements, we can just
             * repeat the operation for the last full vector.
             * If we use ALIGN_OUTPUT, have misaligned pointers, and n == 4,
             * then we compute the same 4 elements twice.
             * Probably not worth fixing
             */
            i = n - 4;
            left_i = _mm_loadu_ps(left + i);
            right_i = _mm_loadu_ps(right + i);
            out_i = _mm_add_ps(left_i, right_i);
            _mm_storeu_ps(out + i, out_i);
        }
        return;
    }
    /* Fallback if n <= 3 */
    if(n >= 2) {
        left_i = _mm_loadl_pi(_mm_undefined_ps(), (const __m64*) left);
        right_i = _mm_loadl_pi(_mm_undefined_ps(), (const __m64*) right);
        out_i = _mm_add_ps(left_i, right_i);
        _mm_storel_pi((__m64*) out, out_i);
        i = 2;
    }
    if(n - i >= 1)
        out[i] = left[i] + right[i];
}