HumanSense Benchmark 是由西安交通大学联合蚂蚁集团于 2025 年发布的一个人体感知评测基准数据集，相关论文成果为「HumanSense: From Multimodal Perception to Empathetic Context-Aware Responses through Reasoning MLLMs」，旨在全面衡量模型在视觉、音频与文本等多模态信息融合下的真实交互能力。

该数据集包含 3,291 条基于视频的问题和 591 条基于音频的问题，涵盖 15 项由浅入深的任务，任务结构呈四层金字塔式，包括：

• L1–L2 感知层：视觉、音频与跨模态的基础与复杂感知能力；
• L3 理解层：基于互动情境的隐含关系、情绪与状态理解能力；
• L4 响应层：交互场景中的策略性与情境化应答能力。

该数据集从真实视频、音频与多模态对话中构建问题，通过多种开源数据集与真实场景录制生成，覆盖从外观识别、情绪识别到关系理解、心理对话等多类人本交互任务，是当前更贴近真实人类沟通场景的多模态评测基准之一。