Изпълнението на програмата отнема почти същото потребителско време на CPU, както и на GPU?

Вашето ядро ​​е доста неефективно, имам коригирано по-долу, което да разгледате. Що се отнася до това защо работи по-добре на устройство с процесор...

1. Използвайки вашия алгоритъм, работните елементи отнемат различно време за изпълнение. Те ще отнемат повече време, тъй като тестваните числа нарастват. Работна група на графичен процесор няма да завърши, докато не бъдат завършени всички нейни елементи, част от хардуера ще остане неактивен, докато последният елемент не бъде готов. На процесора той се държи по-скоро като цикъл, итериращ над елементите на ядрото, така че разликата в циклите, необходими за изчисляване на всеки елемент, няма да повлияе драстично на производителността.
2. 'A' не се използва от ядрото. Не трябва да се копира, освен ако не се използва. Изглежда, че сте искали да тествате A[i], а не самото "i".

Мисля, че графичният процесор би бил много по-добър в базираните на FFT прости изчисления или дори алгоритъм на сито.

{
    int t;
    int i = get_global_id(0);
    int end = sqrt(i);

    if(i%2){
        B[i] = 0;
    }else{
        B[i] = 1; //assuming only that it should be non-zero
    }
    for ( t = 3; (t<=end)&&(B[i] > 0) ; t+=2 ) {
        if ( i % t == 0 ) {
            B[ i ] = 0;
        }
    }
}