以人类为中心的感知（例如检测、分割、姿态估计和属性分析）一直是计算机视觉领域的长期问题。本文介绍了一种统一且多功能的框架（HQNet），用于单阶段多人多任务以人类为中心的感知（HCP）。我们的方法侧重于学习一种统一的人类查询表示，称为“人类查询”(Human Query)，该表示能够捕捉个体人物的复杂实例级特征，并解开复杂的多人场景。尽管不同的HCP任务已经分别得到了充分研究，但由于缺乏一个全面的基准数据集，文献中尚未充分利用单阶段多任务学习来解决HCP任务。为了解决这一不足，我们提出了COCO-UniHuman基准数据集，以支持模型开发和全面评估。实验结果表明，所提出的方法在多任务HCP模型中达到了最先进的性能，并且在与特定任务的HCP模型相比时也表现出竞争力。此外，我们的实验还强调了“人类查询”对新HCP任务的适应性，从而展示了其强大的泛化能力。代码和数据可在https://github.com/lishuhuai527/COCO-UniHuman 获取。