Groq API 免费使用教程

fatiery

! H, l$ d7 |/ ?  s6 c
下面的内容是转载的

1 @4 ~3 K8 L& F3 P3 P. i

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
   1 v$ @5 l* ]6 t. W* q1 K+ ~) ^" I; y2 R
4. 3. 保存获得的 API 密钥
   " i8 N+ d& _8 k6 T  X/ K
5. 
   : w2 B, U0 h" @
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：
     T3 {3 ^3 Y" v6 u4 S3 i
9.    - 接口地址：`https://api.groq.com/openai/`
   
10.    - API Key：填入之前获取的密钥
    9 B$ L" {$ S* ?; m& }1 ]
11.    - 自定义模型：`llama-3.3-70b-versatile`
    
12. 
    7 R: u; a  {- d
13. ## 主要优势
    * i* C9 n( r& h* `1 L! v# J
14. - 响应速度：200 Token/秒
    ( z" U/ x. Z" ?
15. - 性能表现：接近 GPT-4.0 水平
    . k! z: j9 N- A% t2 Q7 f
16. - 完全免费使用
    8 ]6 l; v  H9 `, [
17. 
    ) w" `9 Y1 V7 N+ ^8 t
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

! G8 {! x# F0 S" i. h5 ^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
( m; w+ A0 c6 x) q  _2. 勾选自定义接口
- [  W1 I9 q6 |9 H- I: z( r3. 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
' W% h4 M) `0 C4 G; [! N6. 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。

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。
8 N. D+ z; \  H7 O" \& Y
官方教程
7 r5 R" _8 S$ U& H5 N/ E" m5 F" g; h

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

复制代码

1. pip install groq

复制代码

1. import os
   1 P+ E) ^" [- b! ^. `+ M9 Y+ Y
2. 
   
3. from groq import Groq
   . S9 ]1 V* a; S9 B. h8 ?
4. 
   
5. client = Groq(
   9 v1 O( a1 n$ L' u: }
6.     api_key=os.environ.get("GROQ_API_KEY"),
   
7. )
   ) d5 P$ Q- d6 r: l# v' I
8. 
   3 N: F2 e7 l6 _0 f" u& @
9. chat_completion = client.chat.completions.create(
     f% Y5 ?6 I  }6 H6 N& q6 {0 L: o8 x
10.     messages=[
    * M1 m2 j( E1 U) ]3 R
11.         {
    
12.             "role": "user",
    
13.             "content": "Explain the importance of fast language models",
    
14.         }
    ( X: Y4 T+ T( ^' x) {  o
15.     ],
    * G; s: J) j$ V6 F& A/ e$ n
16.     model="llama3-8b-8192",
    # U* T5 k, V/ `7 M$ f5 {2 r9 I
17. )
    : y7 W) X* X& O2 [7 u0 z, U' |
18. 
    8 V* m0 G" V1 ]. P
19. print(chat_completion.choices[0].message.content)

复制代码

- N0 E; h( n! Q6 E) F. ^实际使用：
2 W- Y" E! m6 z记得把模型 llama3-8b-8192 换为 llama-3.3-70b-versatile

" I# a, T5 Z' T, k5 S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：
   * [; a% o5 [" `
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。
   
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。
   
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。
     F5 G( `0 W$ y8 W3 W

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。

' Y3 J* d! F+ a) p* s

keepmoving

谢谢版主分享