Groq API 免费使用教程

fatiery

下面的内容是转载的

7 i4 J" X5 G. n/ r/ X

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
   ( D+ z9 ^& q' x  k
4. 3. 保存获得的 API 密钥
     F" W4 E4 h% A5 f/ }' n; y
5. 
   
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：
   4 K' p) K& C# K
9.    - 接口地址：`https://api.groq.com/openai/`
   6 V( E4 B; Q- p, ^
10.    - API Key：填入之前获取的密钥
    $ x' N, h0 ^7 G" `' q( Z% S
11.    - 自定义模型：`llama-3.3-70b-versatile`
    ; G  {6 Y7 U# r+ T
12. 
    
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
    . Q' P* ~6 `* Y# W( U
16. - 完全免费使用
    5 Y6 J* h$ J- _; ~0 {" `
17. 
    
18. ## 使用限制
    6 r$ N* m) s5 ^" @
19. - 每分钟限额：6000 Token
    ' a3 Q6 R4 R% m' \$ N% f# k# C
20. - 每日 API 调用：14000 次
    : y% g) {$ W3 D$ K4 s8 d
21. - 足够普通用户日常使用

复制代码

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：
7 `9 l; l- {. L1. 点击左下角设置
2. 勾选自定义接口
5 o3 _9 Y3 V" W# e2 v5 K: H4 b4 w3. 接口地址输入：https://api.groq.com/openai/
4. API Key输入：gsk_XXXX(你的API密钥)
0 M% M0 o" z; c9 J5. 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

0 f0 i( g& i& G7 E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。

4 ~) m2 t, y3 o; w4 P. F- B9 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。
! m+ L) V- T: Q8 p
官方教程
" }- n, h  Y& b) o- A0 `9 C- J! _) v

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 Y2 I! B4 U- W7 M1 |- \. O3 c% z
2. 
   
3. from groq import Groq
   
4. 
   # R! _0 b# |# s' }0 y/ W' o
5. client = Groq(
   
6.     api_key=os.environ.get("GROQ_API_KEY"),
   
7. )
   0 P- v: _' _1 A( p2 Q8 Z8 l
8. 
   ! g0 i9 o' g8 ^5 V
9. chat_completion = client.chat.completions.create(
   ( U0 M3 E. b4 R  K) c7 m4 N4 |7 k4 |
10.     messages=[
    
11.         {
    
12.             "role": "user",
    9 D) z! |% U2 P; ?$ p0 M9 U, H
13.             "content": "Explain the importance of fast language models",
    
14.         }
    
15.     ],
    , x3 E! X% J5 Y
16.     model="llama3-8b-8192",
    # x/ k0 K6 @# A7 p
17. )
    ; `2 Z" b. a; u% T  S
18. 
    
19. print(chat_completion.choices[0].message.content)

复制代码

! _: H# W, Z) i! W实际使用：
- z; X; s3 G0 u0 ~9 `" b记得把模型 llama3-8b-8192 换为 llama-3.3-70b-versatile
& x' d- Q% _" J$ _; V; r
( q4 O* a. f# X; b$ w3 P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. 
   
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。
   9 {  w$ w+ f$ n$ J5 b" `2 Z7 j
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。
   & b. a% _' }6 C7 M4 V1 c" I8 z: 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。
   
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。
   : ]& J' K) S" M( K  a% R
7. 
   7 b8 r& C( `& u! B# c, [, K
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。
   . O1 \9 f. ^7 x2 ]1 ]

复制代码

; X8 Y8 D  G$ w* d
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