Groq API 免费使用教程

fatiery

下面的内容是转载的

  R( t1 _" H7 _4 K4 X! |7 H

1. ## 第一步：获取 API
   
2. 1. 访问 https://console.groq.com/
   4 N4 l$ T, o6 V3 G& q! `0 P
3. 2. 完成注册并申请 API
   ; P4 O7 W% L: ~6 d* h4 Q
4. 3. 保存获得的 API 密钥
   
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：
   
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`
    " P  V" T" @. d$ k8 n3 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
    ; B. d3 A& @8 b, I6 M. U1 F
16. - 完全免费使用
    8 \* k& t$ v( s: T4 F6 K
17. 
    
18. ## 使用限制
    
19. - 每分钟限额：6000 Token
    - i$ I0 N2 V) a$ i: g
20. - 每日 API 调用：14000 次
    7 R% F1 t. a1 B1 M
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：
1. 点击左下角设置
2 y, x2 D7 p1 l5 U& q3 x/ L2. 勾选自定义接口
3. 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
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。
  [2 w% |+ O& g7 U6 x8 _' j
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。

: S# r0 d' s. L3 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
   0 U, j, J; i' b$ D
2. 
   3 k) W; I4 g: N% {2 R
3. from groq import Groq
   : t3 A" M. f8 ]8 Q+ O3 v; `& j* y- S
4. 
   ; [. _4 ^0 g( A+ z- J9 I2 U
5. client = Groq(
   / |. \3 T; `1 J4 Z" l
6.     api_key=os.environ.get("GROQ_API_KEY"),
   5 N" v+ H5 v  U* ]
7. )
   ; w' Q, ~9 N4 o  \: ^
8. 
   1 j2 E3 Y6 [# S; f( u
9. chat_completion = client.chat.completions.create(
   ; I; E( u; {" K+ E, N0 ?
10.     messages=[
    
11.         {
    
12.             "role": "user",
    
13.             "content": "Explain the importance of fast language models",
    
14.         }
    1 [, q7 k8 P- E: i* x
15.     ],
    
16.     model="llama3-8b-8192",
    
17. )
    / ]; ^) L1 A9 |" _: A
18. 
    ; O8 S" F, d* h) p
19. print(chat_completion.choices[0].message.content)

复制代码

6 Y& y/ C8 Y) _! D
: O5 v: z0 ?- V% w0 R) _实际使用：
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：
   
2. 
   % M1 I; P/ R4 a. M3 l" C# ^
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。
   # W: q3 Z: h4 x
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。
   6 ~3 O: t* R- u
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。
   * C. F. J; i1 R0 q5 x/ V2 g
7. 
   5 c  `+ N) @' z# M) c& M5 Q
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

7 v5 B* J! o* i9 {8 n1 G+ b
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。
2 f; l* U4 [2 K- _4 @
' `# L2 S, V6 g  |- x9 p, \; W

keepmoving

谢谢版主分享