这些时序表示dot正在执行copy与real的操作：

In [22]: timeit np.dot(xx.real,xx.real)
232 ms ± 3.34 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [23]: timeit np.dot(xx.real.copy(),xx.real.copy())
232 ms ± 4.18 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

将其应用于matmul产生几乎相同的时间：

In [24]: timeit np.matmul(xx.real.copy(),xx.real.copy())
231 ms ± 3.54 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

同样，matmul和real采用了一些缓慢的路线。当使用int阵列时，matmul/dot的性能都较差，尽管没有matmul real的速度慢。matmul/dot也可以处理object数据类型，但速度更慢。
因此，作为python级别的用户，我们看不到（也没有文档记录）有很多隐藏的东西。

编辑

我很想把标题改为关注复数实数，但决定检查另一个view浮点数组的一个片段

In [42]: y=xx.real.copy()[::2,::2];y.shape,y.dtype
Out[42]: ((650, 650), dtype('float64'))

In [43]: timeit np.dot(y,y)
36.4 ms ± 63.4 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
In [44]: timeit np.dot(y.copy(),y.copy())
35.6 ms ± 191 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

同样很明显，dot正在使用视图的copies。matmul没有：

In [45]: timeit np.matmul(y,y)
1.89 s ± 3.01 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

但对于副本，时间与点相同：

In [46]: timeit np.matmul(y.copy(),y.copy())
35.3 ms ± 102 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

因此，我的猜测是，如果dot不能将数组直接发送到BLAS例程，它通常会生成copy。

编辑

虽然dot和matmul处理2d数组的方式相似，但它们处理3+d数组的方式却截然不同。实际上，添加@的主要原因是为矩阵乘法提供一个方便的“批处理”概念。
坚持使用大型复杂数组，让我们将一个大3倍：

In [49]: yy=np.array([xx,xx,xx]);yy.shape
Out[49]: (3, 1300, 1300)

In [50]: timeit np.dot(xx,xx)
794 ms ± 12.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)    
In [51]: timeit np.dot(xx,yy)       # (yy,xx) same timings
55.5 s ± 151 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
In [52]: timeit np.matmul(xx,yy)    # (yy,yy) same
2.58 s ± 362 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

matmul刚刚将时间增加了3;我可以探索更多的东西，但不是在分钟范围内的时间。