Groq API 免费使用教程

fatiery

  e" J+ b1 i' _; G+ l( y9 }
下面的内容是转载的
. f3 m8 T+ d5 V* [# Z
& W  ~3 ^* F  m+ |, ~+ x3 _

1. ## 第一步：获取 API
   ) U( v# ?4 B2 t" r/ [+ a
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
   3 k$ F! V  F, B( D& _9 L) v
5. 
   
6. ## 第二步：配置 NextChat
   . @( K0 X: V+ s  F$ ?4 T! q  r
7. 1. 打开 https://app.nextchat.dev/
   8 F- v% ^# f" \0 e
8. 2. 在左侧设置中填入：
   # l+ X. t) H9 b1 R& Y
9.    - 接口地址：`https://api.groq.com/openai/`
   
10.    - API Key：填入之前获取的密钥
    ( Y, P7 g" x! @* _
11.    - 自定义模型：`llama-3.3-70b-versatile`
    ( C& @, Y/ ^! K; W
12. 
    
13. ## 主要优势
    - d+ J: N" c! W' G; ]3 V
14. - 响应速度：200 Token/秒
    ( o7 p" r; Z" d: v+ D, d5 T
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
    - A, [4 y3 \' F  L' m
19. - 每分钟限额：6000 Token
    , ]. c. H# v6 C/ }/ z8 P5 p2 ?8 F
20. - 每日 API 调用：14000 次
    1 U7 z; K3 z/ e7 x: d
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
2. 勾选自定义接口
3. 接口地址输入：https://api.groq.com/openai/
4. API Key输入：gsk_XXXX(你的API密钥)
$ W, K; _) N$ ]: C5. 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

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。
* i; F/ Y  W/ m- {: i3 A* Z( [
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。

官方教程
: o2 i* M& N* L& Q) q) m( z

1. export GROQ_API_KEY=<your-api-key-here>

复制代码

1. pip install groq

复制代码

1. import os
   0 R; w* i+ S+ p  d1 Z
2. 
   ; p' ^, C0 Z. v1 G) U+ e2 O
3. from groq import Groq
   " u# Z7 E/ X0 q+ Q+ L
4. 
   - E: h" z- G+ O" b
5. client = Groq(
   7 i/ Y7 ]; {- z' a3 x/ c( q
6.     api_key=os.environ.get("GROQ_API_KEY"),
   
7. )
   
8. 
   
9. chat_completion = client.chat.completions.create(
   
10.     messages=[
    4 Y7 H, k1 \7 @4 t% l
11.         {
    
12.             "role": "user",
    2 Z5 i/ {, O) s0 R- }5 g/ W4 P- ~$ K
13.             "content": "Explain the importance of fast language models",
    
14.         }
    2 M+ g" s8 I9 G% Z! f; D
15.     ],
    % s( z6 A. m, R9 k" m1 W/ w2 m
16.     model="llama3-8b-8192",
    : v. ^' e) [2 n
17. )
    * ^4 Y- k9 C& {- j
18. 
    
19. print(chat_completion.choices[0].message.content)

复制代码

, g5 e! i) M# h. G# |
( C6 q% X4 d2 c+ E实际使用：
3 ^8 i$ J6 u4 d  p) o6 s记得把模型 llama3-8b-8192 换为 llama-3.3-70b-versatile
: _$ u- r5 P! J9 x+ h3 g8 m( @
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：
     c. w+ e& i) {. N. T
2. 
   # Y- F% |" U. I* T% n
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。
   5 m) W0 i8 B3 h3 x0 x  c
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。
   " _7 k/ {; k# y0 ^' n+ `# i
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 p+ v. U% T4 k0 e6 T
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

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。
" j/ _' U6 d7 p$ ?' e
% R5 {1 X/ V+ T4 U! {" _( m

keepmoving

谢谢版主分享