DAXPY outperforms DSCAL in multi-threaded environments

Issue Description:

I'm observing a significant performance disparity between dscal and daxpy when performing vector-scalar multiplication on an Intel(R) Xeon(R) Platinum 8378C CPU @ 2.80GHz. My code involves the operation y=ax, where x is a vector of length 80,000.

Observed Behavior:

Despite setting the OPENBLAS_NUM_THREADS environment variable to either 1 or 16, the execution time for dscal remains unchanged, indicating no utilization of multiple cores.

However, when I replace dscal with an equivalent operation using daxpy, specifically y=(a−1)x+x (having a loss in precision), I observe a multi-fold performance improvement in the multi-core scenario.

Problem:

Given that dscal and daxpy have very similar computational patterns, I'm seeking to understand why there's such a substantial difference in their multi-core performance. This behavior suggests that dscal is not effectively leveraging the available CPU cores, unlike daxpy.

Beginne damit, die gemeldeten dscal- und daxpy-Laufzeiten mit OPENBLAS_NUM_THREADS auf 1 und 16 gesetzt für einen Vektor der Länge 80.000 zu reproduzieren. Vergleiche die Ausführungspfade von dscal und daxpy und dokumentiere, warum sich ihr Verhalten bei mehreren Threads unterscheidet; abgeschlossen ist die Aufgabe, wenn die Abweichung erklärt ist und jede Änderung mit beiden Thread-Einstellungen verifiziert wurde.