Groq API 免费使用教程

fatiery

下面的内容是转载的
# Q# Q. E' @8 N  X9 G, y

1. ## 第一步：获取 API
   ( q. c5 [9 Q! ]0 w7 e9 i+ H/ K% D! j: n
2. 1. 访问 https://console.groq.com/
   - H* S1 `# `4 A/ H. E' n* b( G4 F
3. 2. 完成注册并申请 API
   
4. 3. 保存获得的 API 密钥
   
5. 
   7 [' o! B$ S. t% z0 h3 ~
6. ## 第二步：配置 NextChat
   ! N: \3 u+ p0 [' U2 `" J
7. 1. 打开 https://app.nextchat.dev/
   % j: ~3 o- v/ h! q" z9 d) p
8. 2. 在左侧设置中填入：
   ( ], K+ |8 {, D  I6 U0 L$ P
9.    - 接口地址：`https://api.groq.com/openai/`
   
10.    - API Key：填入之前获取的密钥
    1 r3 J1 l7 ~+ I2 `- e; L9 J: C3 ^
11.    - 自定义模型：`llama-3.3-70b-versatile`
    
12. 
    ) w% ]8 q& y, \
13. ## 主要优势
    
14. - 响应速度：200 Token/秒
    - Z- _6 m* b/ k# a1 x
15. - 性能表现：接近 GPT-4.0 水平
    
16. - 完全免费使用
    
17. 
    
18. ## 使用限制
    " z3 w/ r& M' K6 f
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

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：
; ?/ Q0 n7 Z/ d$ w1 n7 W1. 点击左下角设置
# m* J# b# x& t5 L) C0 G1 y( P2. 勾选自定义接口
. e$ j3 |8 B  o# @+ [3. 接口地址输入：https://api.groq.com/openai/
4. API Key输入：gsk_XXXX(你的API密钥)
0 H! A" ?6 u9 r0 H3 @5. 自定义模型输入：llama-3.3-70b-versatile
+ D( Q2 f1 s2 p; p0 ^& V  I+ I" y6. 模型 下拉 选择我们输入的 llama-3.3-70b-versatile

0 s+ }- Y# A$ S3 I2 b; e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。
# P+ }! _( y3 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。
/ T* Z! G/ M0 G' T2 H7 e0 q
! J8 V9 a  G9 p+ G) Z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
   ( i; K6 I6 H1 C7 ~/ ^
4. 
   
5. client = Groq(
   
6.     api_key=os.environ.get("GROQ_API_KEY"),
   
7. )
   
8. 
   
9. chat_completion = client.chat.completions.create(
   % w8 ~1 E+ e! r& _/ a
10.     messages=[
    
11.         {
    
12.             "role": "user",
    
13.             "content": "Explain the importance of fast language models",
    2 p  Q) y' m1 O3 g' A1 H0 N
14.         }
    2 o' B: X0 S0 q
15.     ],
    
16.     model="llama3-8b-8192",
    ) ?9 s: C, p) q7 f( n! m
17. )
    4 y! E- j4 R1 D; L8 ?# w& U6 o4 _
18. 
    ' |! e! R& u* g  a$ b, l  K
19. print(chat_completion.choices[0].message.content)

复制代码

+ e  w9 r$ ?) O1 T
实际使用：
' t, g+ u9 T2 z4 v记得把模型 llama3-8b-8192 换为 llama-3.3-70b-versatile

6 f6 A' c. H- ~1 r7 ~7 r; H# t5 d. \7 Q8 n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 [+ z2 O: ]( }, O

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. 
   & ]) y! `' i: b. p. n2 y0 I
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。
   ) P! `, Q$ R6 m4 R, S; `1 S" t
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。
   ! \- F, b/ s& v- g3 G( M* o2 z; ?
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。
   . i1 L. e# x2 K( [0 N
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. 
   % r! q8 T8 X% H1 s/ X
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

+ B% C" c( w5 u9 Q5 z
) j$ Z; k1 {2 U: A3 g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