diff --git a/pic/big_value_KV2_get.jpg b/pic/big_value_KV2_get.jpg
new file mode 100644
index 0000000..8d543fc
Binary files /dev/null and b/pic/big_value_KV2_get.jpg differ
diff --git a/pic/big_value_KV2_put.jpg b/pic/big_value_KV2_put.jpg
new file mode 100644
index 0000000..340ab68
Binary files /dev/null and b/pic/big_value_KV2_put.jpg differ
diff --git a/pic/big_value_leveldb_get.jpg b/pic/big_value_leveldb_get.jpg
new file mode 100644
index 0000000..79a484b
Binary files /dev/null and b/pic/big_value_leveldb_get.jpg differ
diff --git a/pic/big_value_leveldb_put.jpg b/pic/big_value_leveldb_put.jpg
new file mode 100644
index 0000000..7b13a3e
Binary files /dev/null and b/pic/big_value_leveldb_put.jpg differ
diff --git a/report.md b/report.md
index bf66feb..6192a69 100644
--- a/report.md
+++ b/report.md
@@ -1060,7 +1060,9 @@ int main(int argc, char** argv) {
 ## 4. 性能测试:
 ### 4.1 测试吞吐量和延迟
 #### 测试内容：
+小 value 场景：value 大小为 10 字节左右
 1. 并发，10个线程，全部读
+
 leveldb结果：
 ![image](./pic/all_read_10.png)
 
@@ -1070,10 +1072,10 @@ KV 分离结果：
 2. 并发，10个线程，全部写
 
 leveldb结果：
-![image](./pic/all_write_10.jpg)
+![image](./pic/all_write_10_KV.jpg)
 
 KV 分离结果：
-![image](./pic/all_write_10_KV.jpg)
+![image](./pic/all_write_10.jpg)
 
 3. 并发，10个线程，一半读，一半写
 
@@ -1084,6 +1086,29 @@ leveldb结果：
 KV 分离结果：
 
 ![image](./pic/write_read_10_KV.jpg)
+
+大 value 场景： value 大小为 4 KB
+
+1. 五个线程，每个线程有 20000 次写入：
+
+KV 分离结果：
+
+![image](./pic/big_value_KV2_put.jpg)
+
+leveldb 结果：
+
+![image](./pic/big_value_leveldb_put.jpg)
+
+2. 五个线程，每个线程有 5000 次读数据：
+
+KV 分离结果：
+
+![image](./pic/big_value_KV2_get.jpg)
+
+leveldb 结果：
+
+![image](./pic/big_value_leveldb_get.jpg)
+
 ### 4.2 测试写放大
 参数设置为：
 ````
@@ -1105,7 +1130,9 @@ CURRENT 内容为： MANIFEST-000008
 ![image](./pic/write_bigger_KV.png)
 
 **总结：**
-虽然我们的 KV 分离实现与原本的 leveldb 相比读写性能提升不大，甚至有一定幅度的下降，但我们的实现能大幅度降低数据库的写放大。
+通过上面的测试可以看出，当 value 设置的比较小时，我们的 KV 分离方案性能与原本的leveldb 相比，有一定程度的下降，并且读性能下降较多，是原本的 1/4；但当我们把 value 的大小设置为 4 KB 时，我们的 KV 分离方案性能与原本的 leveldb 相比，读写性能提升非常大，写性能由 13.9 ops/s 提升到 177 ops/s， 提升大概 12 倍，而 读性能由 19.3 ops/s 提升到 972 ops/s，提升更加明显。
+
+综上所述，当 写入的 value 较小时，我们的 KV 分离方案读写性能比原始版本的 leveldb 要低；但当写入的 value 较大时，我们的 KV 分离版本性能会远远优于原始版本的 leveldb。
 ### 5. 实验中遇到的问题和解决方案
 1. 对于每一次读取，用户线程先读取lsm tree中key的slot_num下标，然后到slot_page中读取对应的slot内容(**每一个slot都是定长的**)，之后再在这个slot中读取value所在的vlog文件号和偏移量offset，之后到对应的vlog文件中读取value。 但是这又带来了一个问题，我们该如何管理slot_page这个文件？当插入新的kv时，我们需要在这个slot_page中分配新的slot，在GC删除某个kv时，我们需要将对应的slot进行释放。