Groq API 免费使用教程

fatiery

下面的内容是转载的

1. ## 第一步：获取 API
   + J+ }" s  D& j6 p0 Y+ f/ s$ v
2. 1. 访问 https://console.groq.com/
   / M: ]6 P$ J9 J4 s
3. 2. 完成注册并申请 API
     [  Z2 K, U2 N+ Y7 N$ N
4. 3. 保存获得的 API 密钥
   + k, a1 h6 b0 r/ y
5. 
   # w( ^$ B* A8 N2 [$ v" D
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/`
   4 ^4 H" F1 p$ P( x
10.    - API Key：填入之前获取的密钥
    
11.    - 自定义模型：`llama-3.3-70b-versatile`
    7 ?* X$ o7 a: F9 o
12. 
    4 l& p( n7 r& T8 f; C1 V" P6 X" y2 r
13. ## 主要优势
    % F  Y# a5 i, [& w- x9 k9 |" m9 }
14. - 响应速度：200 Token/秒
    * r. |4 G  L6 ?/ Q$ S; N
15. - 性能表现：接近 GPT-4.0 水平
    
16. - 完全免费使用
    
17. 
    $ M- U( q, v/ m& o7 E$ Z
18. ## 使用限制
    / P, k5 R1 v  }7 u* m& U
19. - 每分钟限额：6000 Token
    0 X0 P1 x  n+ s2 J- C) V
20. - 每日 API 调用：14000 次
    
21. - 足够普通用户日常使用

复制代码

! L5 V' ~6 D* m7 w4 w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
. q7 t( n1 D* h. h8 K2. 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)
* B; M) \* [3 _; C8 s5. 自定义模型输入：llama-3.3-70b-versatile
5 l) K/ e7 ]  P8 }5 {8 E6. 模型 下拉 选择我们输入的 llama-3.3-70b-versatile
3 M7 k# O, g+ W9 D" l6 ?7 \# 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。

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。

2 P3 }0 q9 ^( x/ H+ F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
   
2. 
   4 u: |9 @  W3 H' V' h) ?
3. from groq import Groq
   5 R" g) n: g& s9 ]$ d. R
4. 
   
5. client = Groq(
   ! y" F' e8 {7 K3 a1 ?
6.     api_key=os.environ.get("GROQ_API_KEY"),
   
7. )
   / {" \3 l0 ~5 z
8. 
   
9. chat_completion = client.chat.completions.create(
   / v$ O  w1 V; U- n
10.     messages=[
    ) X, X. R% i5 n0 x7 t2 e
11.         {
    5 t) R( \1 f" |
12.             "role": "user",
    9 k5 W7 u' ^, r; w  h" R
13.             "content": "Explain the importance of fast language models",
    % w5 Z; v8 F+ ]
14.         }
    
15.     ],
    
16.     model="llama3-8b-8192",
    
17. )
    
18. 
    
19. print(chat_completion.choices[0].message.content)

复制代码

* S( G) N2 Z) g) ]  q实际使用：
0 |, z* {' _- I& e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
3 L: W+ Q- }! G6 j- U1 v1 K( ?

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。
   # e6 q9 l* o# C8 h! 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。
   
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。
   2 u1 V, o6 `# q. u, v$ Z+ l
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. 
   ' _2 ^/ {1 s' v' f+ v9 R( A  z% }
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

4 E5 S/ f, N& x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。
' q0 E6 @# c* @+ X3 Z8 S6 v

keepmoving

谢谢版主分享