Groq API 免费使用教程

fatiery

下面的内容是转载的

- R# d. L7 }: Z% Q0 R9 W

1. ## 第一步：获取 API
   ; K/ [/ Y* ~) E8 X) V
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
   ; a, K6 w# `! t5 V9 q: R
5. 
   
6. ## 第二步：配置 NextChat
   8 H9 `8 G$ V. r: B# V
7. 1. 打开 https://app.nextchat.dev/
   ( N: K  E: `6 A) g# G) h# _
8. 2. 在左侧设置中填入：
   ) e$ [; z' }9 F5 I+ o
9.    - 接口地址：`https://api.groq.com/openai/`
   
10.    - API Key：填入之前获取的密钥
    
11.    - 自定义模型：`llama-3.3-70b-versatile`
    ) @+ y9 D1 ?1 U) e7 J8 s& |4 n, x
12. 
      L- U+ Z. ^8 j
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
    
16. - 完全免费使用
    
17. 
    1 j  r7 Y& [- r( o+ c
18. ## 使用限制
    ) ?/ x) L7 Y" ~$ I& }
19. - 每分钟限额：6000 Token
    
20. - 每日 API 调用：14000 次
    7 i+ Z* E+ j  s
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：
* D: X4 F9 {) J1 j1. 点击左下角设置
2. 勾选自定义接口
6 A( ^& t4 T# v3. 接口地址输入：https://api.groq.com/openai/
4. API Key输入：gsk_XXXX(你的API密钥)
0 X9 ~' ^7 ^( Z0 T% W5. 自定义模型输入：llama-3.3-70b-versatile
# ~8 y- \7 y& Q4 q; m- i6. 模型 下拉 选择我们输入的 llama-3.3-70b-versatile
" I4 [2 ^0 J) U! R6 L
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。

# n1 G% a3 J( r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
   8 v  Q" `  M6 c4 c$ r
2. 
   
3. from groq import Groq
   ' u6 p  }3 R2 A
4. 
   0 d" L3 e/ L- r- L% P$ r- p! h
5. client = Groq(
   
6.     api_key=os.environ.get("GROQ_API_KEY"),
   
7. )
   ! C7 N) Z: _- n/ ~$ c( q3 U. O
8. 
   
9. chat_completion = client.chat.completions.create(
   
10.     messages=[
    ( D! T( p% N. C0 N( H. J
11.         {
    9 I! ], v% c4 U' }& O5 b9 p
12.             "role": "user",
    $ \/ X/ ?( T/ H  w+ i
13.             "content": "Explain the importance of fast language models",
    , R6 X& E2 ]- H
14.         }
    
15.     ],
    * |# @9 Z1 E7 _: I' U/ o
16.     model="llama3-8b-8192",
    
17. )
    4 X" o5 g  @! _* c2 Q
18. 
    
19. print(chat_completion.choices[0].message.content)

复制代码

3 n# h" G+ ~; a  x  ~. H" a
/ Z+ I9 F4 g  ~- x实际使用：
& |9 U$ w9 ]8 e6 h$ B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

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：
     W- R, M) J9 W( o! _# F9 {
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。
   2 `% K" x: b- O
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。
   $ m( z- a; V+ ]( }, R
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。
   9 }2 e& @0 X3 f1 c
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。
   5 {. G7 C/ q) _5 Q  Q: Z% h
7. 
   . V% d1 j- l) f
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。
   6 e* a8 k' `" ]* B: {" S

复制代码

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。
/ g/ O7 f- H9 @2 ]$ D/ k

keepmoving

谢谢版主分享