diff --git a/labworks/LW3/report.md b/labworks/LW3/report.md
index 1bb0ae4..e5114cb 100644
--- a/labworks/LW3/report.md
+++ b/labworks/LW3/report.md
@@ -342,13 +342,25 @@ Accuracy on test data (FC model): 0.9442999958992004
 
 ### Пункт №11. Сравнение обученной модели сверточной сети и наилучшей модели полносвязной сети из лабораторной работы №1.
 
-```python
-
+**Сравнение моделей:**
 ```
+Количество настраиваемых параметров в сети:
+Сверточная сеть: 34 826 параметров.
+Полносвязная сеть: 79 512 параметров.
+При том что число параметров сверточной сети меньше в 2 раза, она показывает более высокие результаты. Это связано с более эффективным использовании весов за счёт свёрток и фильтров.
 
-**Результат выполнения:**
-```
+Количество эпох обучения:
+Сверточная сеть обучалась 15 эпох.
+Полносвязная сеть обучалась 100 эпох.
+Cверточная модель достигает лучшего результата при меньшем количестве эпох, то есть сходится быстрее и обучается эффективнее.
+
+Качество классификации тестовой выборки:
+Сверточная сеть: Accuracy ≈ 0.988, loss ≈ 0.042.
+Полносвязная сеть: Accuracy ≈ 0.944, loss ≈ 0.197.
+Сверточная нейросеть точнее на 4,5 процента, при этом её ошибка почти в 5 раз меньше.
 
+Вывод:
+Использование сверточной нейронной сети для распознавания изображений даёт ощутимо лучший результат по сравнению с полносвязной моделью. CNN требует меньше параметров, быстрее обучается и точнее распознаёт изображения, поскольку учитывает их структуру и выделяет важные визуальные особенности.
 ```
 
 ## ЗАДАНИЕ 2