大型语言模型（LLM）不仅仅能生成文本，还可以用来做许多别的事情。The-Decoder作者Matthias Bastian整理的三个基于 GPT-3 的用例应该能够拓展我们的思路。
来自开发人员Dwarkesh Patel的用例，是使用OpenAI的嵌入API在电子书中进行语义搜索。例如，根据场景描述（“角色 A 和角色 B 相遇”）或问题搜索书籍段落。语义搜索比传统的电子书 Ctrl+F 搜索函数灵活得多，后者只能使用单个单词或短语，仅在文本段落与搜索命令完全匹配时才返回文本段落。
另一个用例来自Zahid Khawaja，他利用大型语言模型的编程能力，创建了ToolBot，该工具可使用自然语言基于GPT-3创建应用程序的原型。用户通过提示符输入应用创意，然后ToolBot会生成一个带有文本输入字段的简单用户界面，用以处理应用函数上下文中的另一个用户输入。Khawaja表示，ToolBot是他为那些希望使用GPT-3开发应用程序但不熟悉用户界面创建或提示工程的人开发的。
还有一个用例来自Shubhro Saha。他将GPT-3的API连接到谷歌表格（Google Sheets），通过表列中的自然语言提示，他可以将任务分配给工作表。以往，他必须用抽象代码编写这些任务，例如从地址行中提取邮政编码。而现在，只需要一个“这个地址的邮政编码是什么”这样的问题即可。
在谷歌表格中嵌入的 GPT-3 提示使不熟悉电子表格编程的用户能够更轻松地执行任务。不过，Saha的例子也显示了大型语言模型除了社会和文化偏见之外的最大弱点：对于精度为首要前提的任务来说，这一系统仍然不太可靠。
