Groq API 免费使用教程

fatiery

* C$ f4 F8 Q: G5 t. ^3 i下面的内容是转载的
# P7 n, h2 @$ V% H- G5 V
3 L, p( e  Q2 |' z, j: p: l3 ^

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
   
4. 3. 保存获得的 API 密钥
   4 }/ M7 D- X& a; a( P
5. 
   
6. ## 第二步：配置 NextChat
   / Q( L6 _8 f7 B% `
7. 1. 打开 https://app.nextchat.dev/
   , M% D$ t/ h0 w- E9 _
8. 2. 在左侧设置中填入：
   ' E9 a9 B( t- b) k- s% h  b
9.    - 接口地址：`https://api.groq.com/openai/`
   
10.    - API Key：填入之前获取的密钥
    ; W" }* P' t; _4 D" P5 K
11.    - 自定义模型：`llama-3.3-70b-versatile`
    # G3 ^+ g" V/ a6 m7 ~0 O* v6 u  J
12. 
    0 l7 j9 |: `. K8 b( Q& c2 t
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
    5 n* _: Q  E5 B
16. - 完全免费使用
    ( g7 c/ s$ W, [9 I1 W7 V
17. 
    5 Y: Z6 K" C( u1 v
18. ## 使用限制
    
19. - 每分钟限额：6000 Token
    
20. - 每日 API 调用：14000 次
    # E! ~" {3 i) i2 c3 D! ^: T" l
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：
; v( M: X5 Q3 F$ C4 f; U1. 点击左下角设置
& g, Z, g% n. ~1 o2. 勾选自定义接口
+ ~% S/ a8 V' N( @5 O1 w3. 接口地址输入：https://api.groq.com/openai/
4 w8 j0 W7 i  x5 i0 H  q( U4. 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

% I8 f) U4 y0 u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。
9 h. Z5 R; ~2 E% R( \
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。
) E+ Y: k2 D" `2 g
; c5 R: V2 _# A0 C6 k( X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. 
   
3. from groq import Groq
   5 x+ _8 x- l+ J) ~
4. 
   , u! V. t( Q% X- v- [. i- ?
5. client = Groq(
   : x* _3 W0 _* y& Q; E
6.     api_key=os.environ.get("GROQ_API_KEY"),
   
7. )
     V' i9 I0 k3 V4 U+ b5 c0 Z
8. 
   0 l. S1 {4 H/ S' I# `
9. chat_completion = client.chat.completions.create(
   
10.     messages=[
    ( t, b( P8 z4 I3 U$ H6 f" g4 J: |! ~' s
11.         {
    # i. p. b" o3 H3 a4 V. F
12.             "role": "user",
    4 x6 f/ h3 g' B" V. |) ]
13.             "content": "Explain the importance of fast language models",
    7 {$ q: q: I1 v- K: f% I2 c  [
14.         }
    / P( p* R  A8 h7 a- x/ M
15.     ],
    
16.     model="llama3-8b-8192",
    4 J/ h- b7 o0 a( ^# L% z
17. )
    + M& h" B/ b% _# R' b4 \) R
18. 
    
19. print(chat_completion.choices[0].message.content)

复制代码

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
: F" K6 E8 f* E/ I6 N

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：
   8 ~7 N. G! t: N( f* E) Q: K$ p
2. 
   2 v2 R+ K% H8 X8 [; n2 t
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。
   , {0 D( o1 W3 g, x5 l
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。
   , Z" z2 @8 w- P3 |# c+ U
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

8 C% Q9 L- E+ n( U0 U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。

% @; A  S" C2 x+ n" J1 p' F

keepmoving

谢谢版主分享