Groq API 免费使用教程

fatiery

下面的内容是转载的

1 c, Y5 a; m2 J5 Q( H4 d

1. ## 第一步：获取 API
   ! V0 w( k9 o0 A( E+ W3 I
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
   $ j* D  c6 B1 \- g9 p! C$ B* V
5. 
   ) a( i& w) C4 `9 [: H5 z3 v
6. ## 第二步：配置 NextChat
   
7. 1. 打开 https://app.nextchat.dev/
   ( l. z. h/ T8 ^: z3 Y' f
8. 2. 在左侧设置中填入：
   * a8 ^& T& |) o8 {
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`
    
12. 
    " Z, J4 a/ h3 A+ [
13. ## 主要优势
    
14. - 响应速度：200 Token/秒
    * S0 {  S% K- n0 t6 t
15. - 性能表现：接近 GPT-4.0 水平
    # D4 k# Q9 D# q3 |. V9 l  c% X( @
16. - 完全免费使用
    
17. 
    * D& T1 Z) W5 B3 ^7 q7 z
18. ## 使用限制
    1 ]. p# Q- L* e
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

/ q7 b; V1 @# j8 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：
1. 点击左下角设置
/ |2 p% w$ A+ `$ _2. 勾选自定义接口
3. 接口地址输入：https://api.groq.com/openai/
6 Y+ y' Z0 ]5 U4 e& d4. API Key输入：gsk_XXXX(你的API密钥)
: h9 C' o1 n; I; Z/ l4 t5. 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
& }& k: P& x, k) H$ C3 h
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 q$ y, J$ b: L' \
/ }7 W7 o5 }  B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。
  ~- g+ I1 x: h! j  a0 g
官方教程
" e! i, g* @2 p3 a, l! \- m( ~8 d

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

复制代码

1. pip install groq

复制代码

1. import os
   / G7 K* \& I8 Y9 B, ]+ \8 M! k
2. 
   
3. from groq import Groq
   
4. 
   
5. client = Groq(
   
6.     api_key=os.environ.get("GROQ_API_KEY"),
   1 F8 p3 c& [1 z, ^# }
7. )
   # K6 J3 w8 p) n, L$ a8 l4 C1 {
8. 
   
9. chat_completion = client.chat.completions.create(
   . f% l( `. D1 j
10.     messages=[
    3 L) j0 n1 `7 k( f  f# v$ L, u
11.         {
    
12.             "role": "user",
    
13.             "content": "Explain the importance of fast language models",
    # B% ~- M8 P2 m3 f8 z2 K; u; ?
14.         }
    
15.     ],
    
16.     model="llama3-8b-8192",
    - K# b; K) F( p$ a
17. )
    
18. 
    
19. print(chat_completion.choices[0].message.content)

复制代码

* r. e) c) w8 ^+ H8 f+ n; p* L
9 K; h2 D6 @1 w0 @实际使用：
0 a- b! r& s$ w: H+ R" L0 a记得把模型 llama3-8b-8192 换为 llama-3.3-70b-versatile
  `8 }7 Y5 l. E! }3 G# ^
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
6 z1 X8 v1 @1 R

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：
   . l; M# `. L& l, U$ F( p
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。
   ; R( ^6 L7 U0 }, t
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。
   # M/ Y/ @, }: [7 `
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。
   5 b2 o. w3 S% c% r) N
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

& G6 I9 X3 K/ F
( l- x$ @$ b+ B7 ]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。
; f/ W2 z7 B3 ^) T( U
3 [; w4 b8 |/ u  ^# w, ]

keepmoving

谢谢版主分享