在资源有限的情况下，特别是指计算资源和数据资源受限时，优先选择模型通常需要考虑以下几个因素：

1. **任务类型**：如果任务主要涉及理解文本（例如情感分析、文本分类、问答系统等），BERT可能是一个更好的选择，因为它擅长捕获双向上下文信息。如果任务主要涉及生成文本（例如文章写作、聊天机器人回复等），那么GPT-3可能更适合，因为它能更好地生成连贯的文本。

2. **资源消耗**：考虑到GPT-3模型的规模巨大，它需要更多的计算资源和时间来进行训练。如果硬件资源有限，BERT会是一个较为现实的选择，因为它相对来说更轻量且训练资源要求较低。

3. **数据集大小**：GPT-3这样的大型模型需要大量的数据来进行有效的训练，以避免过拟合。如果你只有较小的数据集，使用BERT或类似的模型可能会更合适，因为这些模型在较小的数据集上也能取得较好的效果。

4. **成本效益**：如果预算有限，使用GPT-3可能不太实际，因为它不仅训练成本高，而且在使用时也可能需要付费。相比之下，BERT模型的使用和调整通常更为经济。

5. **可扩展性**：如果计划未来扩大模型规模或集成到更复杂的系统中，BERT提供了一个相对更易于扩展的基础，因为它较小且更灵活。

综上所述，在资源有限的情况下，BERT通常是更优先的选择，因为它在资源消耗、数据需求和成本效益方面更具优势。然而，这并不意味着GPT-3在所有情况下都不适合，如果特定的应用场景需要强大的文本生成能力，且资源允许，GPT-3仍然可以是不错的选择。在实际应用中，还可以考虑使用BERT和GPT-3的变种或小型版本，这些版本在性能上可能有所妥协，但对资源的要求也更低。