Groq API 免费使用教程

fatiery

( ?& d( h- p- g
" A, ?/ L4 M& u) V3 K( I! l下面的内容是转载的
9 t5 H  [; I6 q0 s0 t; f; k: E# R9 x

1. ## 第一步：获取 API
   1 n1 B" I8 @- k& d
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
   
5. 
   " N% A. d8 V/ P. k$ f
6. ## 第二步：配置 NextChat
   & ^3 l2 z+ i2 r0 J
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/`
   
10.    - API Key：填入之前获取的密钥
    : N% |) z9 `$ @7 n
11.    - 自定义模型：`llama-3.3-70b-versatile`
    2 t4 g4 ?/ _5 D( ?- M
12. 
    
13. ## 主要优势
    6 k$ o! T; A3 I% G) z
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. 
    
18. ## 使用限制
    
19. - 每分钟限额：6000 Token
    
20. - 每日 API 调用：14000 次
    ( {0 s" E$ y8 T% N. A
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：
1. 点击左下角设置
: `: C- s/ Z# H) C7 u2. 勾选自定义接口
, J- \5 w, B$ I# J* u3 [3. 接口地址输入：https://api.groq.com/openai/
5 M$ `6 _) Y! C3 w9 W+ E4. API Key输入：gsk_XXXX(你的API密钥)
" S4 {" h' n5 u0 r0 i" {0 H/ H5. 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
3 L% \! W& V' H: P8 i0 x
- S. D, b2 k& T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。

$ |1 \3 A' c" z2 s( s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。
- ^9 a2 K/ ~- m1 `6 n
  U' U1 C; x5 h5 q官方教程
- w* s% j7 j) X$ o9 A5 x* J- @

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
   
4. 
   ! f* a+ X* n5 ?
5. client = Groq(
   . z9 T# f* B4 r3 N8 n" v
6.     api_key=os.environ.get("GROQ_API_KEY"),
   5 o1 l7 J$ m' `! z" |9 Y1 E' t. w
7. )
   9 r: }; O- b! O% A
8. 
   3 s: d: Q' y4 F9 ]" y  P! p7 e
9. chat_completion = client.chat.completions.create(
   9 S4 M- W% U" H' ?6 O6 D
10.     messages=[
      W8 y3 G7 n* v, [1 ^- |1 {
11.         {
    ! P" r+ p( r. ]# _, y
12.             "role": "user",
    + \# ?7 }( C7 X: ^& J" S& g
13.             "content": "Explain the importance of fast language models",
    
14.         }
    7 _) V& a+ r& i1 C, O
15.     ],
    + S2 M3 T. L2 |! f5 a
16.     model="llama3-8b-8192",
    
17. )
    
18. 
    4 ?! Z. l. }; ]8 \# r
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

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：
   / D  z. i" g4 A- W6 d6 D
2. 
   2 {3 i) q2 O% M* \; }. M" F+ z
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。
   . e, g" N7 t7 V, F& g& p; S# H
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。
   * n5 T5 i; G: M# p: ^
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。
   3 @* w' r& l0 y

复制代码

6 T: ^$ j% P- @/ f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。

( ]4 v7 ^/ M9 y) `3 d+ x4 z; {

keepmoving

谢谢版主分享