Groq API 免费使用教程

fatiery

& \, N; f+ J2 u$ ]: j
6 }: z- L5 E' l& m8 r. _- l下面的内容是转载的

1. ## 第一步：获取 API
   7 F  I9 V' }- W
2. 1. 访问 https://console.groq.com/
   * t7 H3 S7 k6 `& `# W( G* T
3. 2. 完成注册并申请 API
   
4. 3. 保存获得的 API 密钥
   # h) r+ h6 m0 T; T
5. 
   & L3 t/ E; u5 }* X9 I/ {# l0 [
6. ## 第二步：配置 NextChat
   0 H# n, Z7 [" R1 q" p: V3 j8 R; |5 {+ f9 h
7. 1. 打开 https://app.nextchat.dev/
   
8. 2. 在左侧设置中填入：
   . ]. T. @' J, \; D( A
9.    - 接口地址：`https://api.groq.com/openai/`
   * H% ^( i+ I% C; D! H" _/ J
10.    - API Key：填入之前获取的密钥
    
11.    - 自定义模型：`llama-3.3-70b-versatile`
    
12. 
      p( E. H& M- A2 B( |5 n1 C& l& ~
13. ## 主要优势
    
14. - 响应速度：200 Token/秒
    $ s7 T3 s* P/ Q  E. J( M8 j' ?
15. - 性能表现：接近 GPT-4.0 水平
    $ ~- l$ ^) d; l+ f% r/ q( x6 ]
16. - 完全免费使用
    . D: |1 |1 R4 q: J" W/ w( |. p' S0 \& Q
17. 
    ) o; W4 g* o$ G  R0 [
18. ## 使用限制
    + R" v) y* @3 w8 H
19. - 每分钟限额：6000 Token
    , A& O, g1 N8 ~+ N. I6 r8 b
20. - 每日 API 调用：14000 次
    
21. - 足够普通用户日常使用

复制代码

3 l2 W$ `# _* L, w9 t
" L( q* v3 M! R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：
( c5 Y1 I/ U; M. q$ O+ L1. 点击左下角设置
$ q' C% U2 C7 {$ S  K. l9 P! X2. 勾选自定义接口
3. 接口地址输入：https://api.groq.com/openai/
4 U1 y; g! w  A. x4 }) t$ B4. 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
- E  A6 L9 ?; l( r0 U9 r
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。
6 ]. U0 y0 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。
! Z5 A5 i& x. G: v" t
官方教程
  S+ \1 G9 C7 \  z; i, 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
   , w, d, g2 A1 C/ _
2. 
   
3. from groq import Groq
   
4. 
   4 Y( F  ?5 @7 r! G& A8 @" T) O- L7 @$ K
5. client = Groq(
   
6.     api_key=os.environ.get("GROQ_API_KEY"),
   ; R3 l0 v* n7 _0 E& k' X1 }
7. )
   4 |: Z" v2 o8 U7 l
8. 
   
9. chat_completion = client.chat.completions.create(
   
10.     messages=[
    
11.         {
    * V" m" a* k% \9 v: K
12.             "role": "user",
    
13.             "content": "Explain the importance of fast language models",
    
14.         }
    % v* T$ m- d5 p, f: V. P
15.     ],
    
16.     model="llama3-8b-8192",
    ! A; |9 g2 G" r" _1 ~9 k
17. )
    
18. 
    
19. print(chat_completion.choices[0].message.content)

复制代码

实际使用：
+ _* g. C0 X# U& k9 t% |记得把模型 llama3-8b-8192 换为 llama-3.3-70b-versatile
" K0 @6 N* C3 H) R) r. p# ^" z
' T* k" U! a; G" j( }1 U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
+ s# N5 V$ x+ q, C7 t2 ]

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。
   $ C+ G$ w& S/ q/ [( j- u7 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。
   
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。
   0 n, L7 a3 r, p' L& }: l0 Q
7. 
   " \  b0 ~" Z7 {2 _- `4 @3 d
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

& F) \' X  H9 H  f0 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。

keepmoving

谢谢版主分享