Groq API 免费使用教程

fatiery

下面的内容是转载的
* t; S! l1 ]% R7 l

1. ## 第一步：获取 API
   0 x2 A& Y/ J8 B/ F1 D' |
2. 1. 访问 https://console.groq.com/
   0 Z+ s- s9 ^' q8 g
3. 2. 完成注册并申请 API
   , B; ?$ b( z4 A' x
4. 3. 保存获得的 API 密钥
   5 @1 p4 N+ ^) Z- @, x
5. 
   * B+ G, A, C$ H1 @" P" o
6. ## 第二步：配置 NextChat
   8 D: l  X; C" n1 V4 I
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/`
   3 \9 ~5 `, B, u! V
10.    - API Key：填入之前获取的密钥
    / v& U4 _' _' @4 Q. ^
11.    - 自定义模型：`llama-3.3-70b-versatile`
    
12. 
    
13. ## 主要优势
    
14. - 响应速度：200 Token/秒
    $ i& e) }' e, C* G
15. - 性能表现：接近 GPT-4.0 水平
    
16. - 完全免费使用
    $ P  J. _' }1 z5 E) t( Z8 v- s
17. 
    
18. ## 使用限制
    
19. - 每分钟限额：6000 Token
      D: S8 V( G3 X
20. - 每日 API 调用：14000 次
    ' R/ A: i4 T: ]$ P8 k# F
21. - 足够普通用户日常使用

复制代码

8 [2 f2 q+ G9 Y. s! M1 V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. 勾选自定义接口
3. 接口地址输入：https://api.groq.com/openai/
. q# a# K. f+ k& D" ^: _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
6. 模型 下拉 选择我们输入的 llama-3.3-70b-versatile

$ U. w4 k0 J6 b. \' 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。

( R  \" j; z# ]/ h5 t8 G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。
" ^  z- Q1 t0 H0 K
4 S+ v' M7 ^5 f( R# J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. 
   5 C  [8 b8 |# ]. A5 ^4 q* d6 P
3. from groq import Groq
   0 I# d- T2 `) l
4. 
   
5. client = Groq(
   
6.     api_key=os.environ.get("GROQ_API_KEY"),
   * K2 L; q6 O% R, \4 a3 e; @
7. )
   % v  Z0 p/ ~. i- a; |) ^
8. 
   , N8 Z/ W+ D2 w: z
9. chat_completion = client.chat.completions.create(
   
10.     messages=[
    
11.         {
    % s% m3 U" J( n0 X8 J( C& f
12.             "role": "user",
    ) Q0 Z, d7 \: W- X
13.             "content": "Explain the importance of fast language models",
    / \1 Z  r* t4 ^  g9 w, U7 b
14.         }
    , z+ ]; {9 E4 ~% U( V
15.     ],
    & h6 U9 q8 C- V/ r4 D* N4 b2 r
16.     model="llama3-8b-8192",
    
17. )
    
18. 
    + u# u9 D9 x* [# t; i; u, W
19. print(chat_completion.choices[0].message.content)

复制代码

: N  k  D0 P3 C6 ~  u$ `$ Z
4 |+ @  V" t- C+ g0 L1 W" v实际使用：
记得把模型 llama3-8b-8192 换为 llama-3.3-70b-versatile
! t  i' ]! Y2 Y- v& G
+ q  C& r$ K  W6 G; z7 p: E! A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
) U' G7 i7 P: K/ c

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。
   
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。
   & `, X: l4 a, _9 h! V3 E" _9 O: 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。
   
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 ^  h) y. a3 ~- E
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

% t8 L* n. ]: z( }) [
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。
! L" u% A* b5 D% s& Z# w6 a

keepmoving

谢谢版主分享