Компилятор генерирует неоптимальный код.

Прошу прощение за долгое отсутствие. Не было времени вернуться к проблеме.

Спасибо всем за советы, в особенности leo. Простое транспонирование второй матрицы позволило увеличить производительность примерно на порядок.

Но, единственный момент. Эмпирически было установлено, что нет особого смысла в такой оптимизации при размерах матриц меньше ~300x300.

 

Ес-но, поскольку матрица B умещается в кэш