Groq API 免费使用教程

fatiery

  d/ w) _; {1 f) O- x
; C0 [+ u9 r8 m8 |9 w, z下面的内容是转载的
& n/ l1 R4 k$ q4 `8 C' H

1. ## 第一步：获取 API
   3 V$ N; {9 x6 _0 G- V- \* R4 l
2. 1. 访问 https://console.groq.com/
   4 ?: M0 d: A0 J7 L& r( T7 ?
3. 2. 完成注册并申请 API
   
4. 3. 保存获得的 API 密钥
   
5. 
   
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/`
   # x6 p7 O; J5 ^/ |7 C6 U" }
10.    - API Key：填入之前获取的密钥
    ! L7 M, g! A+ L( w, `
11.    - 自定义模型：`llama-3.3-70b-versatile`
    
12. 
    1 V+ F+ t9 E3 n
13. ## 主要优势
    0 s. \  r; u7 u8 x
14. - 响应速度：200 Token/秒
    ; b, t" L/ R& Y2 F3 Q
15. - 性能表现：接近 GPT-4.0 水平
    ) Q) k, o4 d+ B
16. - 完全免费使用
    + J1 X* g3 S0 i" {7 y
17. 
    ( b; Z' ^6 _1 e4 R+ u% `9 h
18. ## 使用限制
    ' t! _: M! W2 S2 b
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

; W0 x6 u) N  ]* P3 p3 s3 M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：
  _" D5 i5 \7 H) @; j1. 点击左下角设置
2. 勾选自定义接口
" w3 C7 L; I& o1 N% d+ d" R; ]0 U3. 接口地址输入：https://api.groq.com/openai/
. f4 `, I, h+ ^! k  V8 |4. API Key输入：gsk_XXXX(你的API密钥)
  N& b( [  l' r$ f1 A5. 自定义模型输入：llama-3.3-70b-versatile
; c4 b& U( \, A2 ^6. 模型 下拉 选择我们输入的 llama-3.3-70b-versatile
3 r0 b7 n0 _1 h9 R
5 J" c& Q/ ~" \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。
, C6 S3 Q, E0 q. v2 Y5 b; ?4 {" h
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: H' {/ `& O. I  `* J
" g" ~5 O& Y/ X4 {; L2 o/ m' }+ U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. 
   - t8 I1 ~' }# @/ f6 D( N6 K/ b0 b! ~
3. from groq import Groq
   : G: N  w1 s) c& K( |4 P" j
4. 
   4 B7 ^' a+ j, [, L( |4 K3 X- o
5. client = Groq(
   ! @& e* @+ f6 U% ^) V
6.     api_key=os.environ.get("GROQ_API_KEY"),
   
7. )
   
8. 
   
9. chat_completion = client.chat.completions.create(
   ! \4 P$ \7 k; D, X$ n1 J7 a% P
10.     messages=[
    * k/ R( `) t7 y+ ~" n" V( |/ N6 X: k
11.         {
    
12.             "role": "user",
    
13.             "content": "Explain the importance of fast language models",
    - ~! S. h# C. h9 P- N$ G/ n" n- u
14.         }
    
15.     ],
    
16.     model="llama3-8b-8192",
    
17. )
    ! q7 X* ?7 R- ^. X  _# R% P
18. 
    
19. print(chat_completion.choices[0].message.content)

复制代码

' k5 O! B0 C+ k( s6 U% P/ s$ z
实际使用：
记得把模型 llama3-8b-8192 换为 llama-3.3-70b-versatile
' V: G/ S! s1 d! \
/ q: T  [0 I+ i0 L) n5 ^4 p, P! 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

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：
   * R0 X' s1 ?- M* ~+ n4 `
2. 
   4 ^: l! r1 p( Q/ _4 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。
   . `8 d* V$ S" R! {6 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。
   
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. 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。
   + o( H  ?2 u6 `8 W* ^1 D

复制代码

6 w' R7 c- q/ p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