iOS 4 Accelerate Cblas с матрицами 4x4

Я изучал структуру Accelerate, которая была доступна в iOS 4 В частности, я предпринял несколько попыток использовать подпрограммы Cblas в моей библиотеке линейной алгебры на языке C. Теперь я не могу использовать эти функции для повышения производительности по сравнению с очень простыми подпрограммами. В частности, случай умножения матриц 4x4. Везде, где я не мог использовать аффинные или однородные свойства матриц, Я использовал эту процедуру (сокращенно):

float *mat4SetMat4Mult(const float *m0, const float *m1, float *target) {
    target[0] = m0[0] * m1[0] + m0[4] * m1[1] + m0[8] * m1[2] + m0[12] * m1[3];
    target[1] = ...etc...
    ...
    target[15] = m0[3] * m1[12] + m0[7] * m1[13] + m0[11] * m1[14] + m0[15] * m1[15];
    return target;
}

Эквивалентный вызов функции для Cblas:

cblas_sgemm(CblasColMajor, CblasNoTrans, CblasNoTrans,
   4, 4, 4, 1.f, m0, 4, m1, 4, 0.f, target, 4);

Сравнение этих двух, заставляя их проходить через большое количество предварительно вычисленных матриц, заполненных случайными числами (каждая функция получает один и тот же ввод каждый раз), подпрограмма Cblas работает примерно в 4 раза медленнее, если синхронизировать с функцией C clock ().

Мне это кажется неправильным, и у меня остается ощущение, что я делает что-то не так где-то. Должен ли я каким-то образом включать НЕОНОВЫЙ блок устройства и функциональность SIMD? Или мне не следует надеяться на лучшую производительность с такими маленькими матрицами?

Весьма признателен,

Bastiaan