Groq API 免费使用教程

fatiery

- J% q( B' M' [6 v1 N, _  T  U
. N2 p6 ^+ d0 _! ]) _下面的内容是转载的
/ j7 c( \, Z+ Y
/ ?' ?& e: o: c! W5 b; v$ W7 [* T+ Y

1. ## 第一步：获取 API
   
2. 1. 访问 https://console.groq.com/
   : p" K( Y9 J/ q
3. 2. 完成注册并申请 API
   ; V1 b6 b1 l1 q: C
4. 3. 保存获得的 API 密钥
   ; O% K8 l2 w3 d# D2 q- l' F" }
5. 
   # j# C9 S. e- V5 v: p
6. ## 第二步：配置 NextChat
   , [, Q: t1 o1 |. D  `
7. 1. 打开 https://app.nextchat.dev/
   
8. 2. 在左侧设置中填入：
   6 R7 ?% ]) C3 ]! Z& K% i" t& x
9.    - 接口地址：`https://api.groq.com/openai/`
   
10.    - API Key：填入之前获取的密钥
    2 E/ C' f5 @0 F
11.    - 自定义模型：`llama-3.3-70b-versatile`
    
12. 
    2 a& Z0 n" C+ o$ e8 z
13. ## 主要优势
    
14. - 响应速度：200 Token/秒
    
15. - 性能表现：接近 GPT-4.0 水平
    
16. - 完全免费使用
    
17. 
    ; u4 n1 W, N7 d  @. n: y7 F
18. ## 使用限制
    ) Q# y7 \- F3 x) b, A
19. - 每分钟限额：6000 Token
    
20. - 每日 API 调用：14000 次
    * N  w2 Z0 O+ |2 W$ D+ M9 L; d
21. - 足够普通用户日常使用

复制代码

, [9 s4 y; b  A1 i# \
根据实际操作，NextChat这样还不行，下面是我自己的操作步骤详细化，仅供参考：
% g- L2 `! b4 R4 ]0 i. U( Q% D1. 点击左下角设置
& d7 r4 n# F' H3 f2. 勾选自定义接口
/ j3 |" ^+ z$ @+ R% g$ P: q8 c3. 接口地址输入：https://api.groq.com/openai/
4. API Key输入：gsk_XXXX(你的API密钥)
$ Q# f/ z7 Y+ @2 a5. 自定义模型输入：llama-3.3-70b-versatile
6. 模型 下拉 选择我们输入的 llama-3.3-70b-versatile

这样就可以对话使用了，其实不止NextChat，其实有其他类似NextChat的程序，搭建网站供他人使用的，可以在Github找下。

% P6 X4 e* d7 c8 x& X: G当然这对直接能用ChatGPT的人来说，没啥用，重点就是它的免费API调用次数，对我们编程的人而言，结合自动化的程序，比如翻译、总结、改写等等，绝对量大管饱。
7 I" ]/ g! Z, `3 L
6 V, ^( o1 r' M: R官方教程

1. export GROQ_API_KEY=<your-api-key-here>

复制代码

1. pip install groq

复制代码

1. import os
   
2. 
   4 R7 M6 N' K6 r+ D
3. from groq import Groq
   
4. 
   
5. client = Groq(
   ( O+ S+ f* G1 h5 F: j
6.     api_key=os.environ.get("GROQ_API_KEY"),
   
7. )
   # c: `* r0 d/ {9 F9 q
8. 
   
9. chat_completion = client.chat.completions.create(
   ) X; T3 D; [- Z- g1 H  ], h& G
10.     messages=[
    
11.         {
    
12.             "role": "user",
      ]8 f7 b9 h: ?  O) ]
13.             "content": "Explain the importance of fast language models",
    
14.         }
    0 j! L/ y; y$ E# }! p4 ^
15.     ],
    
16.     model="llama3-8b-8192",
    4 |& o0 O& [+ P$ a" }9 d
17. )
    % i. N9 H$ d  I" l+ M' ?3 X
18. 
    
19. print(chat_completion.choices[0].message.content)

复制代码

' r0 @4 S2 \* I# `4 T
实际使用：
" l+ T8 H2 K4 M7 @$ |+ s记得把模型 llama3-8b-8192 换为 llama-3.3-70b-versatile

下面是我用过API提问，“llama-3.3-70b-versatile与llama3-8b-8192的区别，用中文回复” 的结果

1. LLaMA 是一种大语言模型，由 Meta AI 开发。LLaMA-3.3-70b-versatile 和 LLaMA-3-8b-8192 是 LLaMA 的两个不同版本，它们之间的区别主要体现在以下几方面：
   % J% `/ b2 k& P4 }; W
2. 
     y4 _. J6 r# w
3. 1. **模型大小**：LLaMA-3.3-70b-versatile 的参数量大约为 70 亿，而 LLaMA-3-8b-8192 的参数量大约为 8 亿。这意味着 LLaMA-3.3-70b-versatile 的模型规模比 LLaMA-3-8b-8192 大得多，通常来说，更大的模型对应着更强的表达能力和更好的性能。
   6 w7 s8 A. Q$ S# `
4. 2. **计算资源**：由于 LLaMA-3-8b-8192 的模型大小相对较小，所需的计算资源也相对较少。这使得它可以在较低端的硬件上运行，包括一些个人电脑或较早的 GPU，而 LLaMA-3.3-70b-versatile 则需要更强大的计算资源来处理。
   5 o6 Q2 x2 [: f# l* J; N' s1 ]4 b
5. 3. **性能差异**：一般来说，参数量更大的模型如 LLaMA-3.3-70b-versatile 在语言理解和生成任务上会表现更好，因为它能够捕捉到语言中更复杂和细致的模式。然而，性能的差异也取决于具体的应用场景和任务。
   & z2 e9 B! U# m
6. 4. **训练数据**：两个模型可能使用的训练数据集不同，尽管它们都是基于大规模语料库训练的，但数据的范围、深度和覆盖面可能有所不同，这也会影响它们的性能和适用范围。
     ]7 g. h+ K" K% z% L+ o4 |
7. 
   
8. 总而言之，LLaMA-3.3-70b-versatile 和 LLaMA-3-8b-8192 之间的选择，主要取决于你的应用场景、可用的计算资源以及对模型性能的需求。如果需要更强大的语言处理能力且计算资源充足，较大的模型可能是一个更好的选择；如果计算资源有限或需要一个更轻量级的解决方案，较小的模型可能更合适。
   % C5 I" J6 A& m/ }+ @8 V8 t

复制代码

因为比较急，即使简单的贴子也难免有错误的地方，大家请多担待，姑妄言之姑看之。

keepmoving

谢谢版主分享