Python numba.prange 表现不佳

我试图用一个简单的例子来说明为我自己和一些同事使用numba.prange的好处，但我无法获得适当的加速.我编写了一个简单的一维扩散解算器，它基本上在一个长数组上循环，组合元素i+1、i和i-1，并将结果写入第二个数组的元素i.这应该是一个非常完美的并行for循环用例，类似于Fortran或C中的OpenMP.

下面是我的完整示例:

import numpy as np
from numba import jit, prange

@jit(nopython=True, parallel=True)
def diffusion(Nt):
    alpha = 0.49
    x = np.linspace(0, 1, 10000000)
    # Initial condition
    C = 1/(0.25*np.sqrt(2*np.pi)) * np.exp(-0.5*((x-0.5)/0.25)**2)
    # Temporary work array
    C_ = np.zeros_like(C)
    # Loop over time (normal for-loop)
    for j in range(Nt):
        # Loop over array elements (space, parallel for-loop)
        for i in prange(1, len(C)-1):
            C_[i] = C[i] + alpha*(C[i+1] - 2*C[i] + C[i-1])
        C[:] = C_
    return C

# Run once to just-in-time compile
C = diffusion(1)

# Check timing
%timeit C = diffusion(100)

当使用parallel=False时，这大约需要2秒，使用parallel=True时大约需要1.5秒.我在一台有4个物理内核的MacBook Pro上运行，Activity Monitor报告在有无并行化的情况下CPU使用率分别为parallel=False%和700%左右.

我本以为会有更接近因子4的加速.我做错什么了吗？