Groq API 免费使用教程

fatiery

+ j6 N0 }! ]7 R' C$ s& A* N9 K下面的内容是转载的
6 k# p' t( Y) ]' b

1. ## 第一步：获取 API
   
2. 1. 访问 https://console.groq.com/
   
3. 2. 完成注册并申请 API
   
4. 3. 保存获得的 API 密钥
   - v; H& \3 H- k
5. 
   % g: Z) H) D0 d4 `  a. v# w, w/ g
6. ## 第二步：配置 NextChat
   % R9 z4 {' f# ?0 t+ G+ n
7. 1. 打开 https://app.nextchat.dev/
   
8. 2. 在左侧设置中填入：
   
9.    - 接口地址：`https://api.groq.com/openai/`
   
10.    - API Key：填入之前获取的密钥
    
11.    - 自定义模型：`llama-3.3-70b-versatile`
    2 }0 C2 N6 M! |; V3 F: S, B! o
12. 
    
13. ## 主要优势
    * [  o# H2 B, @6 P% @
14. - 响应速度：200 Token/秒
    + _( b9 Y( T' a& {) u) w
15. - 性能表现：接近 GPT-4.0 水平
    
16. - 完全免费使用
    
17. 
    
18. ## 使用限制
    
19. - 每分钟限额：6000 Token
    
20. - 每日 API 调用：14000 次
    
21. - 足够普通用户日常使用

复制代码

, @( o; ^, `* I, _* j( x/ |/ U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：
1. 点击左下角设置
2. 勾选自定义接口
3. 接口地址输入：https://api.groq.com/openai/
& p% z( ?! A3 ^9 W( U4. API Key输入：gsk_XXXX(你的API密钥)
5. 自定义模型输入：llama-3.3-70b-versatile
$ j" q  E7 a+ d6 g, E& }6. 模型 下拉 选择我们输入的 llama-3.3-70b-versatile
* U4 |1 S+ k9 r( ?2 Z. C+ r% n
6 N( ^  N/ }% I+ c4 m7 v) p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。

$ s: }+ g* I2 j6 M! U  Y) k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。
2 _# h/ w; w5 m$ q0 `1 U
* g% ~. K6 ?% M% G官方教程
+ }% R7 [. a7 T& K

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. 
   
3. from groq import Groq
   / n/ G, ?* |; ]7 w6 \' f# w
4. 
   
5. client = Groq(
   
6.     api_key=os.environ.get("GROQ_API_KEY"),
   
7. )
   1 s4 C& V  v' j7 Y7 P' u
8. 
   
9. chat_completion = client.chat.completions.create(
   1 q0 Y0 j6 F; F
10.     messages=[
    
11.         {
    
12.             "role": "user",
    
13.             "content": "Explain the importance of fast language models",
    + n  c& p* i, N# F2 i
14.         }
    ' Q. ~6 L8 U4 _6 g7 j& c2 Y8 m+ c
15.     ],
    * z' S1 E: l1 J- k2 f
16.     model="llama3-8b-8192",
    2 i+ o3 K. V1 U9 j7 f* ^! r/ w8 ]
17. )
    . p6 m: T3 o& N; j& ?
18. 
    7 F" J$ K& e4 {" A  h/ N3 J
19. print(chat_completion.choices[0].message.content)

复制代码

! k, l0 r4 {0 C8 p, i6 p# L
实际使用：
/ c: E/ @: Q0 l9 |记得把模型 llama3-8b-8192 换为 llama-3.3-70b-versatile
7 W+ C( ^: J$ l4 {
5 A6 m& }1 `: Z5 v! ?* z9 U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
$ U7 i' d, w4 Y3 H+ P% d, @; K# `

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：
   
2. 
   
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。
   
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。
   0 v3 }& S" q+ r& D
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。
   ; J# {7 {( c, b4 `$ S/ l( B
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。
   # F+ U: u5 K! o; I
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。
   

复制代码

/ t- T) N; `6 }* O& [
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。

3 L0 B: P' o1 U- o9 Z

keepmoving

谢谢版主分享