OpenMP 4.0 - GCC 5.2.0 - Перекрытие выполнения задач устройства и хоста

Я пытаюсь протестировать очень простую программу, которая использует возможности разгрузки gcc 5 через директивы OpenMP 4.0. Моя цель — написать программу с двумя независимыми задачами, при этом одна задача выполняется на ускорителе (например, эмуляторе Intel MIC), а другая — одновременно на процессоре.

Вот код:

#include <omp.h>
#include <stdio.h>

#define limit 100000

int main(int argc, char** argv)
{
    int cpu_prime, acc_prime;

    #pragma omp task shared(acc_prime)
    {
            #pragma omp target map(tofrom: acc_prime)
            {
                    printf("mjf-dbg >> acc computation\n");
                    int i, j;
                    acc_prime=0;
                    for(i=0; i<limit; i++){
                            for(j=2; j<=i; j++){
                                    if(i%j==0)
                                            break;
                            }
                            if(j==i)
                                    acc_prime = i;
                    }
                    printf("mjf-dbg << acc computation\n");
            }
    }

    #pragma omp task shared(cpu_prime)
    {
            int i, j;
            cpu_prime=0;
            printf("mjf-dbg >> cpu computation\n");
            for(i=0; i<limit; i++){
                    for(j=2; j<=i; j++){
                            if(i%j==0)
                                    break;
                    }
                    if(j==i)
                            cpu_prime = i;
            }
            printf("mjf-dbg << cpu computation\n");
    }

    #pragma omp taskwait

    printf("cpu prime: %d \n", cpu_prime);
    printf("gpu prime: %d \n", acc_prime);

}

С этим кодом я ожидал следующего потока выполнения:

1. Главный поток (MT) встречает первую явную область задачи, привязывается к этой задаче и начинает ее выполнение.
2. Обнаружив целевую директиву, MT перегружает целевой блок в ускоритель и достигает точки планирования.
3. MT возвращаются в область неявной задачи
4. MT встречает вторую явную область задачи, привязывается к этой задаче и начинает ее выполнение.
5. MT выполняет вычисления на хосте параллельно с вычислениями, выгруженными на ускорительное устройство.
6. MT возвращаются в область неявной задачи и достигают точки планирования, вызванной директивой taskwait.
7. MT возвращаются к первой области явных задач, ожидая окончания выгруженного блока.

Скомпилировать и запустить:

gcc -fopenmp -foffload="-march=knl" overlap.c -o overlap
OFFLOAD_EMUL_RUN="sde -knl --" ./overlap

Выход:

mjf-dbg >> acc computation
mjf-dbg << acc computation
mjf-dbg >> cpu computation
mjf-dbg << cpu computation
cpu prime: 99991 
gpu prime: 99991

Это не тот результат, которого я ожидал, так как это означает, что главный поток ожидает завершения вычисления разгрузки перед планированием задачи хоста. Вместо этого я искал что-то вроде этого:

mjf-dbg >> acc computation
mjf-dbg >> cpu computation
mjf-dbg << cpu computation
mjf-dbg << acc computation
cpu prime: 99991 
gpu prime: 99991

Эмулятор разгрузки работает правильно, так как во время выполнения я вижу, как процесс _offload_target переходит на 100% использование ЦП, когда программа выполняет целевой блок.

Итак, вопрос: кто-нибудь знает, почему две задачи сериализуются, а не выполняются параллельно (одна в хост-процессе, а другая в процессе эмуляции _offload_target)??