该论文关注模糊测试（fuzzing）中的反馈引导问题。当前主流 fuzzer 以代码覆盖率为反馈来指导探索，这一策略被证明有效，但它会忽略那些不产生新代码路径、却仍对目标程序有意义的输入。此前 IJON 研究显示，由人类领域专家编写的注解（annotation）可以提供额外反馈，引导 fuzzer 关注程序中有趣的部分，然而人工注解的生成成本高、依赖专家经验，难以规模化。 本文的工作分为三步。第一，复现 IJON 的实验，并将其扩展到真实世界的大规模漏洞检测场景，从而检验注解反馈是否具有实际价值。第二，为缓解人工注解带来的可扩展性瓶颈，作者提出使用大语言模型（LLM）自动生成注解，并通过实验证明 LLM 能够生成与人类专家注解性能相当的注解。第三，基于这一发现设计并实现了 AIJON 系统，利用 LLM 自动生成 IJON 风格的注解并注入 fuzzing 流程。 在评估方面，作者在 Magma 基准上对 AIJON 进行测试，得到一个出乎意料的结论：基于注解的 fuzzing 并不严格优于 AFL++。为解释该结果，作者进行了多组补充实验，识别出注解影响 fuzzing 活动的若干关键机制，其中包括注解对 fuzzer 能量分配（energy distribution）的影响。尽管总体性能未必超越 AFL++，但研究确认了 LLM 能够生成与人类注解质量相当的注解，这为后续在大规模场景下系统研究注解的作用打开了空间。论文的贡献可概括为：对 IJON 的复现与大范围扩展、LLM 自动注解可行性的验证、AIJON 系统设计，以及关于注解对 fuzzer 行为影响（尤其是能量分配）的实证洞察。