ソフトウェアファジングは自動脆弱性発見の重要な手法となっているが、既存の変異戦略にはセマンティックな認識が不足しており、冗長なテストケースや深いプログラム状態の探索が遅れることがあった。本研究では、静的解析と動的解析を統合したハイブリッドファジングフレームワークを提案する。このフレームワークでは、大規模な言語モデル（LLM）を活用して、構文的に有効でありセマンティックに多様な入力を生成する。実行中には、従来のカバレッジベースのフィードバックに加え、プログラム状態の変化や出力のセマンティクスに基づくセマンティックフィードバックを追加し、ファジングの優先順位を設定する。実際のオープンソースプロジェクトに対する評価では、バグ発見の速度が向上し、セマンティック多様性が高まり、ユニークなバグ数も競争力を持つ結果が得られた。本研究は、LLMの推論とセマンティックに配慮したフィードバックの組み合わせによる脆弱性発見の加速と深化の可能性を示している。