关于采用基于EasyNLP预训练的中文模型在新闻数据的文本标签预测上取得的准确率，由于直接的具体数值可能因模型版本、训练数据、优化策略等多种因素而有所不同，且参考文章中没有直接给出具体的准确率数字，因此无法直接给出一个确切的答案。
不过，可以从以下几个方面来概述EasyNLP在文本标签预测（特别是新闻数据）方面的潜力和优势：
丰富的预训练模型支持：EasyNLP是基于PyTorch开发的中文NLP算法框架，支持包括BERT、MacBERT、WOBERT等在内的多种常用中文预训练模型。这些模型在大量文本数据上进行了预训练，能够捕捉到丰富的语义信息，为文本标签预测提供了坚实的基础。
高效的模型开发和部署：EasyNLP提供了简洁的接口和工具，方便用户进行NLP模型的开发、训练和部署。用户可以利用EasyNLP的预训练模型库（ModelZoo）和NLP应用库（AppZoo）快速搭建和测试自己的文本标签预测模型。
先进的小样本学习技术：针对实际场景中训练数据不足的问题，EasyNLP集成了多种经典的小样本学习算法，如PET、P-Tuning等，以及PAI团队自研的Contrastive Prompt Tuning（CP-Tuning）等算法。这些算法能够有效利用有限的训练数据，提高模型在小样本场景下的泛化能力和预测准确率。
知识蒸馏技术：为了解决大模型参数量大、难以部署的问题，EasyNLP提供了知识蒸馏功能，帮助用户将大模型的知识蒸馏到小模型中，从而得到高效且性能接近的小模型。这对于需要快速响应和高吞吐量的线上服务场景尤为重要。
综上所述，虽然无法直接给出采用基于EasyNLP预训练的中文模型在新闻数据的文本标签预测上的具体准确率，但可以合理推测，在适当的模型选择、训练和优化策略下，该模型能够取得较高的预测准确率，并满足实际应用的需求。然而，具体的准确率仍需根据实际数据和实验结果来确定。