（原创：邵鹏 上海交通大学媒体与传播学院教授、博士生导师；王巧艳 未来媒体研究院研究助理）

　　摘要：生成式人工智能正推动新闻业从通用大模型的工具化应用，向垂类大模型的专业化能力建设演进。本文以路透社、英国广播公司、彭博社等海外媒体的垂类大模型实践为研究对象，采用案例研究与文献分析相结合的方法，系统考察其从外挂式辅助走向系统化嵌入的专业化进路。研究发现，海外媒体的垂类大模型建设呈现三条差异化路径：头部媒体的领域自研、多数机构的微调增强，以及多模型能力封装的中台化部署。在此基础上，垂类大模型的专业化价值集中体现于五个维度：智能挖掘延伸新闻嗅觉、规范嵌入提升内容质效、专属知识库强化事实核查、知识资产化拓展服务边界、语义理解优化内容分发。其核心意义在于将外部技术工具转化为内生的专业能力，推动人工智能从“效率提速”迈向“专业提质”。因此，数据资产化、能力差异化与服务延伸策略选择或可对我国主流媒体智能化转型带来启示。

　　关键词：媒体垂类大模型；新闻生产；生成式人工智能；媒体智能化

　　垂类大模型作为新闻业人工智能应用的专业化落点，能将外部工具转化为内生的专业能力。既有研究对生成式人工智能影响新闻业的讨论已较为丰富，涉及自动生成、人机协作、真实性风险、算法伦理及组织变革等议题[1]，但针对垂类大模型的专门研究仍相对有限，特别是针对海外新闻机构如何建设、部署和应用垂类大模型及其如何重塑新闻生产流程与能力结构，尚缺乏系统考察。本文以海外媒体垂类大模型实践为研究对象，以期为国内主流媒体系统性变革提供参考。

　　海外媒体的垂类大模型建设，是生成式人工智能与新闻业深度融合的新阶段，其中既有对新闻生产效率升级的追求，也有对媒体自身内容原创性与身份独立性的考量，更是对可能的商业模式的创新探索。

　　（一）海外媒体生成式人工智能应用持续深化

　　海外媒体对人工智能的应用经历了从规则自动化到通用辅助再到系统嵌入的逐步演进。2014年起，美联社与自动化洞察公司（Automated Insights）合作启用文字生成引擎Wordsmith，自动生成年报类财经新闻，标志着人工智能首次大规模进入新闻生产流程。此阶段，人工智能基于明确规则与固定模板，以重复性劳动替代人力。2022年末ChatGPT发布后，生成式人工智能迅速进入全球新闻编辑室，从单一环节横向扩展至采、写、编、分等多场景应用。人工智能作为通用能力被“嫁接”到既有流程，成为新闻从业者的“工具外挂”。2023年至2024年，新闻业被矛盾情绪裹挟：编辑室弥漫职业替代焦虑，而人工智能却又以近乎“鲁莽”的姿态在采、写、编、发各环节快速蔓延。2024年以来，媒体机构逐步意识到通用工具的局限，开始探索将人工智能与自身专有内容资源、业务流程深度整合，人工智能从“外挂工具”向“内生能力”转变。

　　这一趋势首先表现为应用规模的快速扩张。美国非营利新闻协会（Institute for Nonprofit News，INN）2025年的INN Index显示，81%的成员机构已在工作中使用AI工具，较2024年的63%和2023年的34%大幅跃升[2]。路透社新闻研究所在2026年的报告中进一步指出，生成式AI正从单一工具应用进入新闻组织的业务转型层面，75%的受访者认为智能体工具将在不久的将来对新闻业产生重大影响[3]。面对AI深度融入的行业现实，媒体机构普遍开始思考自身AI能力的建设路径，垂类大模型正成为其战略选择。

　　（二）媒体垂类大模型的建设路径

　　垂类大模型是针对特定领域的数据和应用而开发的大模型[4]。与通用大模型相比，它们在训练过程中会使用大量特定领域的数据，从而能够更准确地理解和生成与该领域相关的专业内容[5]。媒体领域的垂类大模型以媒体专属数据训练，构建符合业务特点的任务指令体系，将通用能力转化为适用于新闻采集、选题、写作、审核、分发等场景的专业化能力[6]。

　　海外媒体的垂类模型建设依据自身数据资产、技术能力和业务需求，形成了三种不同路径。其一，从零起步的自研路径。以彭博社（Bloomberg）推出的金融大语言模型（BloombergGPT）为代表，其利用长期积累的专业金融数据从基础层面训练领域模型。此路径可最大程度实现数据、模型与技术架构的自主可控，但高昂的算力与研发成本决定了其仅适用于拥有大规模专业数据资产的头部媒体。其二，通用模型的微调增强路径。将媒体自有语料、历史档案与通用基础模型结合，通过微调、检索增强生成等方式形成定制化能力。半岛电视台（AL Jazeera）的媒体语言模型“半岛语言模型”（AJ-LLM）基于谷歌云（Google Cloud）平台提供的大语言模型，结合其新闻档案微调而成，作为“编辑大脑”服务于采编流程。此路径成本较低，但意味着对基础模型供应商存在一定依赖，在底层能力与自主权方面受到约束。其三，能力封装的中台路径。将多家模型能力封装于媒体自有安全基础设施之内，通过统一后端集中接入，确保敏感数据不外流。阿根廷《民族报》（La Nación）耗时两年构建专有工具生态“民族报智能工具集”（LNIAtools）：底层统一接入多个大语言模型，中层围绕编辑室需求搭建转写、翻译、校对、档案语义搜索等工具集，形成模块化、可扩展的智能中台。

　　媒体垂类模型对新闻生产的创新价值，在于补足通用模型的短板，释放算法、算力与数据的组合势能。它是新闻工作者脚力、眼力、脑力、笔力的综合延伸，使新闻写作更贴合专业规范，生产流程更趋高效，伦理规范在人机协同中不断贯彻。

　　（一）智能挖掘：新闻嗅觉更敏锐

　　新闻线索是新闻生产的起点。传统模式下，记者需大量浏览政府公报、行业报告与社交媒体动态，从中识别具有新闻价值的选题。生成式人工智能的介入，催生了一批辅助线索发掘的工具，但多为分散的单点应用，尚未形成系统能力。例如，由佩特里迪斯（Savvas Petridis）等学者于2023年提出的角度启发系统（AngleKindling），能够基于已有素材辅助记者生成报道角度，拓展新闻故事的多元切入点。[7]挪威特罗姆瑟（iTromsø）新闻团队开发的智能数据新闻工具Djinn，则可主动收集数据、识别趋势、找出关键人物之间的隐藏关联，帮助记者捕捉可能遗漏的独家新闻[8]。

　　上述工具虽然提升了单点效率，但功能相对独立，难以形成从数据发现到角度生成的完整能力链。由此，垂类大模型的意义就在于突破单一功能的局限，将信息检索、数据分析、趋势识别与文本生成等能力整合为协同运作的系统。以半岛电视台推出的智能新闻平台“核心”（The Core）为例，该系统由三个相互配合的模块构成：数据湖（AJ Data Lake）负责大规模数据分析与趋势发现；半岛语言模型（AJ-LLM）作为“编辑大脑”提供翻译与实时语境分析，识别文本中隐含的新闻价值；新闻生成系统（AJ Now）则负责提出问题、生成报道角度并草拟摘要[9]。三个模块形成从数据发现、知识调用到问题生成的能力链条，当新的事件或异常趋势出现时，系统可将数据层面的变化、历史档案与实时信息关联起来，转化为可追问的新闻切入点。

　　（二）赋能创作：内容生产更规范

　　通用大模型的文本生成能力虽已广泛应用于新闻业，但仅能胜任基础文本写作，模板化、同质化问题备受诟病。媒体垂类大模型通过深度学习专业语料、编辑规范与内容生产经验，在三个层面实现提质。一是风格匹配的规范化。不同媒体拥有不同的编辑理念与报道风格，通用模型难以适配。英国广播公司（BBC）推出的风格辅助模型（Style Assist），在阅读数千篇过往文章后，可将风格不一的外部供稿改写为贴合BBC调性的报道[10]。二是时效与准确的平衡。路透社自研的财经工具“林克斯洞察”（Lynx Insight），专攻金融数据分析与企业稿件处理，通过AI快速实现财经类报道的数据分析与信息验证，为记者争取即时审核时间，使时效性不再以牺牲准确性为代价，将部分突发财经新闻的发布时效压缩至数秒[11]。三是全流程提效。阿根廷信息新闻网（Infobae）自研的智能新闻平台“速写新闻”（ScribNews），覆盖从初稿撰写到线上发布的全过程，可根据不同地域与垂类领域需求进行适配，进而全面提升编辑部整体生产力[12]。

　　需要强调的是，垂类模型主要参与新闻生产的后期创作与编辑环节，记者“在地”的观察、采访、调查与第一时间的新闻价值判断依然无可替代。垂类模型的价值正在于将记者的专业能力保留在采访调查、事实核验与价值判断等关键环节，使媒体在生成式人工智能时代保有内容生产的主动权。

　　（三）强化核查：事实核查更精细

　　通用模型在事实核查中面临两重困境：一是准确率不足，二是过程不透明。霍斯（Hoes）等人的测试显示，以ChatGPT展开事实核查，当评判标准细化为六个维度的时候，核查准确率仅为29.96%，当评判标准简化为真实或虚假两个分类时，判断的准确率反而能提升至68.79%[13]。由此可见，通用大模型事实核查的准确率不高，更无法做到细化评价信息内容。此外，AI工具在核查时主要依赖二手信源，推理逻辑是基于统计模式预测，在解释事实核查结果时的可靠性存疑。专业的事实核查员表示，他们需要AI提供判断结果所依据的信源、核查路径，以及为什么选择这些证据来支撑结论。只有具备这样的透明度，核查员才能复核结果，信任AI工具。[14]

　　垂类模型则通过嵌入机构长期积累的专业核查知识、一手信源与核查规范，使结果可追溯、可验证。英国独立事实核查机构“全事实”（Full Fact）开发的智能核查系统（Full Fact AI），每日处理约33万条句子，依托核查数据库对新声明与历史记录做语义匹配，快速识别已被验证的错误信息；同时支持电视直播、议会质询等音视频内容的实时转写与声明标注。[15]面对AI生成与篡改的虚假图像、视频日益增多的态势，美联社推出的一体化核查平台“美联社核查”（AP Verify），将文本、图像和视频核查整合于同一工作流，按美联社编辑标准设计，为记者提供可验证、可追溯的支持[16]。该系统曾辅助记者识破一段标注为以色列足球比赛暴力的视频，实则拍摄于一个月前的希腊。垂类模型凭借独有的核查库资源与规范流程，将事实核查从人工审阅流程，推向人机协同的快速反应，使事实核查工作能够在效率与精度上达到新的高度。

　　（四）拓展服务：新闻价值再延伸

　　生成式人工智能深刻改变了新闻的消费方式，用户获取新闻的路径，正在从搜索引擎检索，转向以问答为形式的即时信息交互。路透新闻研究所2025年报告显示，7%的在线新闻消费者已开始使用AI助手获取新闻，在25岁以下群体中这一比例升至15%[17]。在此背景下，媒体垂类模型将机构自身的新闻档案与垂直领域知识转化为可调用的AI知识库，在提供优质新闻产品与信息服务方面，进一步释放其内容沉淀与专业判断的优势。这种基于垂类知识库的模式，在信息来源的可信度与专业知识的准确性上，也明显优于依赖海量未经验证网络数据的通用大模型。新闻可信度评级企业“新闻守护者”（NewsGuard）推出的“NewsGuard AI”聊天机器人，仅从经记者审核为可靠的新闻和信息来源中提取内容来生成回答。通过在源头上限定高质量的信息库，直接规避了通用AI模型使用未经验证的网络信息所引发的可信度风险。[18]这种优势不仅体现在信息来源的可信度上，也体现在对特定领域高质量数据资产的整合与利用。彭博社更是依托长期积累的金融新闻、企业公告、研报以及市场数据等专业语料，使其垂类模型在金融领域的命名实体识别与实体消歧等任务上优于同规模通用模型，能够更准确理解金融领域复杂术语与行业知识[19]。垂类模型对新闻业的影响贯穿从生产到消费的完整链条。过去新闻报道一经发布，内容生命周期便基本宣告结束；而在垂类模型赋能之下，新闻资源得以活化，通过智能信息服务实现内容价值的二次释放。

　　（五）精准连接：内容分发更匹配

　　媒体垂类模型在新闻分发层面的创新，表现为对分发精准度、传播转化率的提升以及分发覆盖广度的拓展。传统算法推荐基于用户的点击、停留、转发等历史行为推测兴趣进行推送，而大模型的介入使推荐系统能够将用户行为与内容语义、兴趣领域及实时情境结合，减少对单一历史行为的依赖，更灵活地识别用户当下的兴趣需求，进而实现随时定制化的适配。例如，纽约邮报推出AI新闻助手汉密尔顿（Hamilton），将个性化新闻简报、内容推荐、智能通知与对话式搜索整合于同一入口，其“邮报快讯”（Post Express）可根据读者兴趣生成全天候个性化简报，发现引擎则动态推荐相关新闻与话题，为不同用户提供差异化体验[20]。在提升分发精准度的同时，大模型也显著提升了用户转化率。金融时报（Financial Times）部署的AI动态付费墙系统，综合用户行为、内容偏好等多维信号实时判断付费倾向并动态调整订阅策略，最终实现转化率提升92%、订阅漏斗进展提升118%、订阅者终身价值提升78%的成效[21]。垂类大模型也拓展了新闻内容的跨语言、跨市场传播分发能力。

　　加速主流媒体智能化转型，释放垂类大模型的赋能潜力，不能仅停留在技术层面，而应立足媒体自身的资源禀赋和公共属性，探索差异化、可持续的发展路径。

　　（一）由数据资源迈向知识资产，激活媒体长期积累的数据价值

　　算法、算力与数据是人工智能发展的三大核心要素。数据的来源、质量与规模，共同构筑了垂类模型训练的基础底座，决定生成内容的质量。随着大模型规模持续扩张，高质量数据的稀缺性日益凸显。人工智能研究机构Epoch AI的研究预计，2026年至2032年间或逐步用尽可用于训练的高质量数据资源。[22]海外媒体的实践也同样证明了垂类大模型能力的形成依赖专业知识体系的支撑。由此，媒体垂类模型发展应注重对高质量、专业化和稀缺数据资源的获取、激活和运营。我国主流媒体凭借其与政府及公共机构之间的紧密联系，能够汇聚政务信息与公共服务等外部数据。当前，我国主流媒体已经开始应用知识增强、知识图谱等技术，以便对专业知识进行深层理解与智能调度，但目前对新闻档案、历史报道和专业数据库的开发仍较多停留在资料存储和信息检索等浅层次，对其中蕴含的主题关联、事件演变以及深层动因的深度挖掘仍有提升空间。未来，应加强媒体知识库的建设和管理，实行覆盖数据采集、清洗、标注、审核、更新和评估的数据管理机制，保证知识库的质量和时效性。在此基础上，推动新闻资源由静态存储向动态调用转变，“使其数据资源实现从‘档案库’到‘知识底座’的蜕变”[23]，使长期积累的内容富矿真正成为支撑智能传播的新型生产资料，最大化释放媒体内容的价值。

　　（二）统筹平台集约和能力差异，培育媒体智能竞争优势

　　多数海外媒体在市场环境驱动下，其垂类模型承载着差异化竞争的功能定位。我国主流媒体的智能化建设更多依托媒体融合改革，推进智能能力的集约化建设和共享，由中央级或省级技术平台统一搭建模型底座，将智能能力辐射至各级媒体机构。但不同媒体如果仅仅依赖相同的模型底座和标准化功能，其智能化建设容易停留在浅层的工具应用层面。因此，我国媒体垂类模型的开发应在标准化与差异化之间形成新的平衡。一方面，继续发挥统一技术底座和平台建设的规模优势，实现媒体行业整体的提质增效，降低媒体特别是基层媒体的AI应用成本；另一方面，应鼓励不同类型的媒体在特色领域沉淀数据和业务经验，将其转化为具有专业壁垒的智能能力。例如，财经、教育、医疗等行业媒体可以依托企业数据库、行业资料和历史报道，输出具有深度的行业内容，为特定行业群体的工作、生活决策提供支持；地方媒体则可以整合地方历史和文化、公共资源以及基层社会信息，形成具有地域特色的内容生产能力，更好地贴近群众、满足群众需求；政务平台则可以依托权威信源、政策数据库，增强政策信息的理解、关联和解读能力，还可以延伸至媒体的社会感知与公共服务功能，通过提升对社会舆情和公共议题的综合分析，增强对突发事件和社会情绪的感知与响应能力，辅助社会治理。因此，我国主流媒体垂类大模型的建设不应只是集合多个AI功能，更应成为放大媒体专业能力的智能平台。

　　（三）兼顾行业生产端和用户服务，拓展媒体垂类模型的应用边界

　　现阶段，我国媒体垂类模型的应用总体仍以新闻生产为核心，主要服务于内部业务流程优化，服务对象也局限于行业机构。以浙江媒体技术统一支撑平台“传播大脑”为例，其服务圈层覆盖了专业媒体、政企和高校，尚未涉及普通用户群体。依据海外经验可以得出，我国媒体垂类模型面向公众开展信息服务、文本生成服务仍有较大拓展空间。当前，豆包、DeepSeek、千问等商业科技企业研发的通用大模型，已经成为大众获取资讯、知识答疑、撰写文本的重要入口。如果主流媒体长期固守后端生产环节，极易沦为这些商业AI平台的内容供给方，无法直接连接、积累用户，用户资源最终将流向商业平台。同时，通用模型的AI幻觉问题也为主流媒体提供了机遇。可借鉴海外媒体的做法，在问答服务中限定内容的来源渠道，仅依托自有内容与官方信息生成答复，确保用户获取权威、精准的信息；根据用户的知识需求、兴趣偏好和具体问题，对既有新闻资源进行重新组织和解释。此外，用户的行为数据也能够直观反映大众真实的信息诉求和舆情关切，反哺媒体优化选题方向、锁定报道重点，及时进行舆情响应。未来，媒体垂类模型建设不应仅着眼于把新闻做好，还应思考如何连接用户，“建立数据驱动、服务导向、公共属性鲜明的第二增长曲线，真正重塑在智能时代的主流影响力。”[24]

　　技术的每一次跃迁都在驱动新闻业变革。生成式人工智能的兴起，催生了人机协同的全新生产范式，重塑了新闻生产的流程、分工与组织逻辑。主流媒体建设媒体垂类大模型，“要解决的绝非技术采纳、介质拓展和矩阵整合等操作层面的问题，而是不断适应高维的数字媒介带来的新规则、新模式和新逻辑，是媒介业的一次‘破茧成蝶’的全新升维的过程。”[25]

　　在传播主体多元化、信息碎片化、舆论格局复杂化和用户需求精细化的背景下，主流媒体建设垂类模型，既是顺应技术发展的应然，更是推动媒体系统性变革的必然。垂类模型与主流媒体之间，并非单向的技术嵌入，而是一种相互驱动、协同演进的关系。一方面，垂类模型深度嵌入新闻生产、传播与服务的具体场景，为媒体流程再造、能力重塑和业态创新提供技术支撑；另一方面，主流媒体在组织重构、业务创新和产业发展中不断产生的新场景与新需求，又为模型能力迭代和应用拓展提供现实牵引。二者由此形成技术推动业态变革、业态反哺技术演进的动态循环，人工智能也由此不再只是附着于媒体体系的外部工具，而逐步内化为媒体能力重构的有机组成。因此，垂类大模型的建设必须与媒体专业实践、组织体系和社会功能深度契合。主流媒体应以自身专业优势和公共属性为基础，持续推动技术深耕与业务重构协同演进，使模型能力真正沉淀为组织能力和专业能力。唯有如此，媒体智能化转型才能从局部效率提升走向整体能力的重塑，从技术应用走向系统变革，进而将人工智能的技术势能进一步转化为适应智能传播时代的传播力、引导力、影响力和公信力。

　　【本文系国家社会科学基金重大项目“构建政策实施和舆论引导相协同的预期管理机制研究”（25&ZD177）的阶段性成果。】

　　参考文献  

　　[1] 陈昌凤,袁雨晴.弥合对齐鸿沟：数智新闻业中人机关系的多维重塑[J].中国编辑,2025(6):21-30.

　　[2] Nieman Journalism Lab. AI use, growth challenges, and funding cuts: A new report looks at the state of nonprofit news[EB/OL].(2026-06)[2026-08-22].https://www.niemanlab.org/2026/06/ai-use-growth-challenges-and-funding-cuts-a-new-report-looks-at-the-state-of-nonprofit-news.

　　[3] Newman N. Journalism, media, and technology trends and predictions 2026[EB/OL].(2026-01-12)[2026-08-22]. https://reutersinstitute.politics.ox.ac.uk/journalism-media-and-technology-trends-and-predictions-2026. 

　　[4] 创新世界周刊编辑部.垂直领域大模型[J].创新世界周刊,2023(2):110-111.

　　[5] 陈浩泷,陈罕之,韩凯峰,等.垂直领域大模型的定制化：理论基础与关键技术[J].数据采集与处理,2024,39(3):524-546.

　　[6] Wang Z, Lu Z, Jin B, et al. MediaGPT: A large language model for Chinese media[EB/OL].(2023-07-26)[2026-08-22]. https://arxiv.org/abs/2307.10930.

　　[7] Petridis S, Diakopoulos N, Crowston K, et al. AngleKindling: Supporting Journalistic Angle Ideation with Large Language Models[C/OL]//Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems, 2023:225. https://dl.acm.org/doi/10.1145/3544548.3580907.

　　[8] Online News Association. Case study: Djinn, an AI-powered data journalism interface[EB/OL]. (2024-08-20)[2026-08-22]. https://www.journalists.org/news/case-study-djinn-an-ai-powered-data-journalism-interface.

　　[9] Al Jazeera Media Network. Al Jazeera Media Network launches 'The Core': AI-integrated news model built with Google[EB/OL].(2025-12-21)[2026-08-22].https://network.aljazeera.net/en/press-releases/al-jazeera-media-network-launches-%E2%80%98-core%E2%80%99-ai-integrated-news-model-built-google. 

　　[10] BBC Research & Development. Natural language processing news editorial tools[EB/OL].(2025-10)[2026-08-22]. https://www.bbc.co.uk/rd/articles/2025-10-natural-language-processing-news-editorial-tools.

　　[11] Bucy E, Jalalian Ebrahimi M. How three newsrooms are charting different paths for AI use[EB/OL].(2026-07-29)[2026-08-22]. https://www.niemanlab.org/2026/07/how-three-newsrooms-are-charting-different-paths-for-ai-use/.

　　[12] SIPA (Southern Newspaper Publishers Association). Infobae Unveils ScribNews, Its Own AI Platform Trained for Journalism[EB/OL].(2025-07-17)[2026-08-22]. https://en.sipiapa.org/infobae-unveils-scribnews-its-own-ai-platform-trained-for-journalism-n1300624.

　　[13] Hoes E, Altay S, Bermeo J. Leveraging ChatGPT for efficient fact-checking[PP/OL]. (2023-05-29)[2026-08-22]. https://osf.io/preprints/psyarxiv/qnjkf_v1.

　　[14] Warren G, Shklovski I, Augenstein I. Show me the work: Fact-checkers' requirements for explainable automated fact-checking[C/OL]//Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. 2025:421.https://dl.acm.org/doi/full/10.1145/3706598.3713277.

　　[15] Full Fact. Full Fact AI[EB/OL].[2026-08-22]. https://fullfact.org/ai/.

　　[16] AP Corporate Communications. AP introduces AP Verify to strengthen, streamline online content verification[EB/OL].(2025-12-15)[2026-08-22]. https://www.ap.org/media-center/press-releases/2025/ap-introduces-ap-verify-to-strengthen-streamline-online-content-verification/. 

　　[17] Newman N, Fletcher R, Eddy K, et al. Reuters Institute digital news report 2025[R/OL]. (2025-06)[2026-08-22]. https://reutersinstitute.politics.ox.ac.uk/sites/default/files/2025-06/Digital_News-Report_2025.pdf.

　　[18] NewsGuard. NewsGuard launches first AI chatbot built to deliver trusted journalism only from reliable news websites[EB/OL].(2026-06-23)[2026-08-22]. https://www.newsguardtech.com/press/newsguard-launches-first-ai-chatbot-built-to-deliver-trusted-journalism-only-from-reliable-news-websites/.

　　[19] Wu S, Irsoy O, Lu S, et al. BloombergGPT: A large language model for finance[PP/OL].(2023-03-30)[2026-08-22].https://arxiv.org/abs/2303.17564.

　　[20] New York Post Media Group. The Post launches Hamilton: A new way to find and understand the news[EB/OL].(2026-08-11)[2026-08-22].https://nypost.com/2026/08/11/media/the-post-launches-hamilton-a-new-way-to-find-and-understand-the-news/.

　　[21] Nagasaki Y. How dynamic paywalls are transforming reader revenue[EB/OL].[2026-08-22].https://www.ftstrategies.com/en-gb/insights/how-dynamic-paywalls-are-transforming-reader-revenue.

　　[22] Villalobos P, Ho A, Sevilla J, et al. Will we run out of data? Limits of LLM scaling based on human-generated data[EB/OL]. (2024-06-06)[2026-08-25].https://epoch.ai/publications/will-we-run-out-of-data-limits-of-llm-scaling-based-on-human-generated-data.

　　[23] 邵鹏.抵御技术焦虑:数智时代新闻业的价值、理想与生态[J].传媒评论,2025(4):9-12.

　　[24] 方兴东,钟祥铭.主流媒体系统性变革之路:成为数据要素的国家战略力量——“数据十日谈:主流媒体系统性变革的必由之路”之四[J].传媒评论,2026(5):6-14.

　　[25] 喻国明,耿晓梦.从场域重构到路径适配：走向未来的媒体融合[J].新闻大学,2024(8):1-13+117.