Obwohl multimodale große Sprachmodelle (MLLMs) ein großes Potenzial für die Erreichung wirklich menschenähnlicher Interaktionen zeigen, wird der Fortschritt durch den Mangel an feinkörnigen Evaluierungsrahmen für menschenzentrierte Szenarien behindert, die sowohl das Verständnis komplexer menschlicher Absichten als auch die Bereitstellung empathischer, kontextbewusster Antworten umfassen. Hier stellen wir HumanSense vor, einen umfassenden Benchmark, der darauf abzielt, die menschenzentrierten Wahrnehmungs- und Interaktionsfähigkeiten von MLLMs zu bewerten, wobei besonderes Augenmerk auf das tiefe Verständnis erweiterter multimodaler Kontexte und die Formulierung rationaler Rückmeldungen liegt. Unsere Evaluierung zeigt, dass führende MLLMs weiterhin erhebliches Verbesserungspotenzial besitzen, insbesondere bei anspruchsvollen, interaktionsorientierten Aufgaben. Die Ergänzung visueller Eingaben durch audio- und textbasierte Informationen führt zu signifikanten Verbesserungen, und Omni-modale Modelle erzielen Vorteile bei diesen Aufgaben – begründet durch die Beobachtung, dass angemessene Rückmeldungen aus einer kontextuellen Analyse der Bedürfnisse und Emotionen des Gesprächspartners resultieren. Daraus folgern wir, dass die Schlüsselkompetenz hierbei die Schlussfolgerungsfähigkeit (Reasoning) darstellt. Wir entwickeln einen mehrstufigen, modality-progressiven Ansatz des Verstärkungslernens, der HumanSense-Omni-Reasoning hervorbringt und die Leistung bei höherstufigem Verständnis und interaktiven Aufgaben erheblich steigert. Zudem beobachten wir, dass erfolgreiche Schlussfolgerungsprozesse offenbar konsistente Denkmuster aufweisen.