Groq API 免费使用教程

fatiery

/ w0 k- w3 I- S# v
下面的内容是转载的

4 ?* L9 K3 c  [) ~5 o4 o9 c

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
   * [3 \4 G- Z5 [$ Y& Q
4. 3. 保存获得的 API 密钥
   * S: x7 U& \# T! l  Q$ `, r7 o; g
5. 
   
6. ## 第二步：配置 NextChat
   5 `2 b3 s/ s- f# [' s
7. 1. 打开 https://app.nextchat.dev/
   
8. 2. 在左侧设置中填入：
   + D& w! v0 z! P* s" n) Q
9.    - 接口地址：`https://api.groq.com/openai/`
   1 s5 W% N$ ]1 m( o
10.    - API Key：填入之前获取的密钥
    
11.    - 自定义模型：`llama-3.3-70b-versatile`
    
12. 
    1 B1 F* Q# C+ P" N4 _
13. ## 主要优势
    + X" |& [) s* Y' i7 o& A
14. - 响应速度：200 Token/秒
    $ ~+ d( p/ z5 G
15. - 性能表现：接近 GPT-4.0 水平
    # [4 T5 \! l- h3 G2 G+ ?1 a
16. - 完全免费使用
    - h3 x1 Q; W" `9 ^2 D3 b
17. 
    ; N; e; m& f$ f1 }; W2 j
18. ## 使用限制
    3 m+ t) W( ~3 z
19. - 每分钟限额：6000 Token
    : O) x4 E; I- \4 B5 Z
20. - 每日 API 调用：14000 次
    
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：
' B3 ?. ?4 c( Q) i* @0 |5 s* r" }0 f( W1. 点击左下角设置
2. 勾选自定义接口
) q9 t+ S6 E. z, L3. 接口地址输入：https://api.groq.com/openai/
4. API Key输入：gsk_XXXX(你的API密钥)
# E2 U% I7 Q* f5 g  h5. 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。
) c& @, {& u3 b$ Z+ b% |, L: [& h
( y, r8 S$ F5 T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。

9 c$ y3 h6 h1 o! b+ n5 x. A官方教程
/ |0 V8 X4 V$ ^8 R; T4 j! F% O5 O

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

复制代码

1. pip install groq

复制代码

1. import os
   : l& W- v& M" a4 q
2. 
   
3. from groq import Groq
   
4. 
   
5. client = Groq(
   6 t& h, v: S( W! [# b
6.     api_key=os.environ.get("GROQ_API_KEY"),
   ( b: S: c: u7 {: s3 [& m: W
7. )
   0 ^. {4 p2 U4 l- W1 w2 w2 R1 G, e
8. 
   2 z& z3 T4 ]% l0 ~  z& Z- S$ y
9. chat_completion = client.chat.completions.create(
   
10.     messages=[
    
11.         {
    
12.             "role": "user",
    
13.             "content": "Explain the importance of fast language models",
      g% ^5 E1 o2 F, C0 k
14.         }
    + n! d/ ~. L4 ?+ ?3 v/ Y
15.     ],
    
16.     model="llama3-8b-8192",
    
17. )
    ( p, A6 q( W# h$ Q7 g7 W; U: m
18. 
    
19. print(chat_completion.choices[0].message.content)

复制代码

# e. K; Q$ Y' K6 k
8 W6 P: ~; _) O& K  n实际使用：
" m! z0 G- n2 b0 Z" u3 J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：
   ( n9 G+ d5 B, s, X8 q. L
2. 
   5 y7 B9 p6 `9 Y1 ~. {8 o! l
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。
   7 x, Z+ W' I" ?2 O3 [& b
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。
   ( ?" A% c* ]. o4 A
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。
   " r, k, y0 I8 U' c; r+ L/ q
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。
   : J0 c  @) ]6 t% O0 p
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。
   # s& e+ b" b: Q

复制代码

6 I2 O) i: P: v; E% a% M: Y
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