Groq API 免费使用教程

fatiery

4 @+ t" S: g' t0 E+ u/ z; t下面的内容是转载的

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
   
5. 
   9 F- S! Z" B' u6 g& S
6. ## 第二步：配置 NextChat
   
7. 1. 打开 https://app.nextchat.dev/
   
8. 2. 在左侧设置中填入：
   2 Z/ k2 ^* F+ n" ~; P
9.    - 接口地址：`https://api.groq.com/openai/`
   
10.    - API Key：填入之前获取的密钥
    # D* m2 V- f7 y% @6 d
11.    - 自定义模型：`llama-3.3-70b-versatile`
    " o4 U, w( w1 m* \* \
12. 
    , U4 A! V" ^1 ]" l
13. ## 主要优势
    + ?1 ?  a& D4 X0 V$ s8 Q7 V' d
14. - 响应速度：200 Token/秒
    " C/ {- y3 L4 I5 O
15. - 性能表现：接近 GPT-4.0 水平
    & r1 V( h- Z: a0 c4 F
16. - 完全免费使用
    
17. 
    
18. ## 使用限制
    ! g9 d* {1 a/ t1 P+ T
19. - 每分钟限额：6000 Token
    & q2 c) c( [9 D$ }2 I
20. - 每日 API 调用：14000 次
    , r, {$ \" w0 v) M& A
21. - 足够普通用户日常使用

复制代码

4 V# U3 x, T. r; D) Z
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：
( C. c+ L% t. u+ k1. 点击左下角设置
+ w' w0 n% O, N; V2. 勾选自定义接口
5 c; ?! P; [1 G6 W; v3. 接口地址输入：https://api.groq.com/openai/
4. API Key输入：gsk_XXXX(你的API密钥)
5. 自定义模型输入：llama-3.3-70b-versatile
1 R$ o" c3 x1 @6. 模型 下拉 选择我们输入的 llama-3.3-70b-versatile

0 X6 G; i/ F6 W) k  }9 U4 R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。

6 P  i$ z; L3 Q5 W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。
$ F9 G4 V/ Z$ I
; ^# I3 N, y7 y$ d. y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
   0 _$ o: X' H' ]# k, m% I9 o( \  e
2. 
   , {! W3 ^) O( k( J! O
3. from groq import Groq
   
4. 
   
5. client = Groq(
   * F& \: f; y% g8 S  Z4 X
6.     api_key=os.environ.get("GROQ_API_KEY"),
   . e. U! |2 m  \' {1 s& R
7. )
   - x$ b$ R2 P$ O" S: A
8. 
   " \' a! r" `, ]0 K9 z7 n5 Q+ h
9. chat_completion = client.chat.completions.create(
   
10.     messages=[
    1 y. S0 s/ E' B4 C
11.         {
    ' l' v3 a$ o# j+ k) z+ r
12.             "role": "user",
    / d- B; u) L4 s7 w1 C
13.             "content": "Explain the importance of fast language models",
    
14.         }
    0 O# i: S6 q) u( r5 y. ~
15.     ],
    ( m3 R6 P. o4 i  l" m) o( |
16.     model="llama3-8b-8192",
    
17. )
    9 S3 o2 V2 ~$ {9 O% y5 B! f8 D
18. 
    
19. print(chat_completion.choices[0].message.content)

复制代码

/ g1 i1 ]  E  C9 Q: o
实际使用：
! i* L( p6 |/ M& f记得把模型 llama3-8b-8192 换为 llama-3.3-70b-versatile
! F; G: {) l3 e
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：
   
2. 
   # Y- j; }  U6 _2 B8 p1 V% H
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。
   ; B7 d+ G: e0 ?' v
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。
   + S' f" [6 c+ d% k
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。
   ( t; ^+ i* A7 k: W7 J# E4 S
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。
   * h  t! P% H$ ]) r
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

4 O0 R" k3 G7 D0 a
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。

. w3 Z- p5 w( k5 {

keepmoving

谢谢版主分享