K1的vlen=256，处理8个float的数据的时候，使用f32m2比f32m1有额外的开销，因为f32m2可以并行处理16个float数据。这个开销是不是可以避免的。因为可能对于各家厂商来说vlen的宽度是不一样的，但是软件上在移植的时候使用f32m2还是f32m1配置是固定的，虽然vlen不同都可以直接运行，但是性能可能降低
这个开销是不是可以避免的。
这个避免不了，配置了m2，硬件就会操作16个float
虽然vlen不同都可以直接运行，但是性能可能降低
是的，一份代码兼容不同平台，确实就无法兼顾到每个具体平台的性能了
感觉对软件来说不太友好，比如用vector实现memcpy，通常使用e8m8，使用了8个vreg，如果实际copy的长度没那么长，可能导致使用vector优化后的性能反而低了；
另一点K1 vlen=256，e8m8一次loop可操作256/8*8=256 bytes，如果需要copy的数据为260 bytes，那么需要第二次loop去处理tail的四个bytes，但是这次还是会操作8个vreg，会导致很大的开销，所以为了性能我们还是需要额外的代码去处理tail元素。