微软将自家自然语言生成模型T-NLG用在Bing搜索引擎中，改进字词预测，并且利用自然语言表示模型T-ULR，提升多语言智能问答的品质，还能在摘要中，突出显示与用户搜索相关的信息。
微软提到，Bing每日执行用户数亿次的查询，这些查询因用户意图、语言和地区不同，呈现多样且动态的形式，为了要能够良好地处理这些查询，微软在Bing上大规模的使用AI模型。在过去一年，自然语言处理模型有了很大的进展，无论是微软自家的T-NLG模型，还是OpenAI的GPT-3模型，其参数规模都大幅增长，微软也就将这些模型用于Bing中，以提升搜索体验与结果的品质。
首先，微软以T-NLG模型改进Bing搜索栏的自动建议功能，自动建议功能能够根据用户输入的字词，配对最相关的查询建议，来改善搜索体验，其目的是要让用户以更少的时间以及键盘输入次数，获得更佳的查询结果。最常用的解决方案，是根据其他用户的输入，来提供搜索前缀，但是随着用户输入更具体的搜索字词，该方法也逐渐失效，因此Bing需要能够即时生成建议，提供用户准确的搜索建议。
因此微软使用T-NLG模型，使Bing具备即时生成建议的能力，不受限于以前用户输入的资料，也不局限于用户当前输入的字词，自动建议覆盖的范围大幅增加，也改善了整体用户体验。微软提到，以技术的角度来说，无论是模型的大小还是推论的数量，使用生成模型具有一定的挑战性，他们应用了压缩以及缓存技术，来解决推论的效率问题。
微软也改善了Bing的其他人也问了这些问题（People Also Ask，PAA）功能，来覆盖用户的搜索意图，微软解释，PAA让用户能够直接探索与原始搜索有关的问题，不需要花耗时间修正搜索，就能够取得想要的解答，与自动建议功能同样的情况，由于Bing已经回应过许多用户的搜索，因此能轻易地提供类似的问题与解答，不过，有时候还是会遇到没有类似意图的搜索，于是Bing就必需要生成有用的问答，来提供PAA内容。
微软使用模型对数十亿个网页文件，产生问题与答案配对，因此当有相同的文件出现在搜索引擎结果页面上时，微软除了会在PAA区块显示现存类似的问题之外，也会加入预先生成的问题与答案配对，补充PAA区块内容。
另外，Bing也应用自然语言表示模型T-ULR，提升多语言和多地区的搜索结果品质，现在Bing的智慧问答功能，已经可以对超过100种语言和200个地区，提供零次问答服务，而且微软也应用该模型，突出显示搜索结果中的摘要重点，让用户能够更快地找到需要的答案。
