律师与客户的咨询是法律服务的关键起点，能否有效帮助客户，很大程度上取决于律师能否从客户口中引导出充分且真实的信息，从而制定最大限度保护其利益的策略。arXiv 上最新提交的 DLawBench 论文指出，这一任务对大型语言模型（LLM）提出了更高要求：模型不仅要具备扎实的法律推理能力，还需要通过多轮交互有策略地挖掘关键事实，并有效引导性格各异的客户。然而，现有的法律基准测试普遍忽视了这种交互能力。为填补这一空白，论文作者推出了 DLawBench——一个面向真实法律咨询场景的诊断性基准。
该基准借鉴现实中的客户行为，将律师与客户的互动归纳为四种类型：合作型（Cooperative）、依赖型（Dependent）、退缩型（Withdrawn）与对抗型（Adversarial）。DLawBench 使用以真实案件为基础的对话，评估 LLM 能否在贴近现实的条件下有效开展法律咨询。
在数据规模上，DLawBench 包含来自中国法和美国法的 461 个案件、5,532 条配对事实条目、3,411 条询问评分标准（inquiry rubrics）以及 3,348 条争议解决评分标准（issue-resolution rubrics），并系统评估了 26 个具有代表性的 LLM。
系统实验显示出明显的提升空间：表现最好的模型 GPT-5.5 在基于咨询的法律推理上仅取得 0.562 的分数。更为重要的是，DLawBench 还揭示了法律咨询中的迎合倾向（sycophancy），以及一个悖论式现象——当客户最需要引导时，模型的表现反而更差。这一发现表明，当前模型在主动追问、处理对抗性或不配合客户、以及在信息不足时坚持获取事实等关键咨询技能上仍存在明显短板。
论文共 37 页，含 8 幅图和 26 张表格，代码与数据均已公开。该工作属于计算与语言（cs.CL）方向，投稿于 2026 年 6 月 11 日，作者为 Li Zhang 等 18 人。DLawBench 的意义在于把评估重心从静态法律问答转向动态、多轮、以咨询为中心的真实交互，为法律 AI 的可靠部署提供了更具现实意义的诊断工具。