Groq API 免费使用教程

fatiery

- J$ }1 [. r3 m( F' h" g6 ~下面的内容是转载的
% }/ s, p. B) y
2 S5 B( a! J9 l1 H8 s6 p: h

1. ## 第一步：获取 API
   
2. 1. 访问 https://console.groq.com/
   3 R1 k2 J8 }* j
3. 2. 完成注册并申请 API
   
4. 3. 保存获得的 API 密钥
   * Z( c- ?* c7 \% |0 }
5. 
   . u+ U" n9 I$ a0 @
6. ## 第二步：配置 NextChat
   / v7 T" f/ A7 q3 a
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
    
11.    - 自定义模型：`llama-3.3-70b-versatile`
    5 E, E( L8 Y) v6 a: _
12. 
    4 b* w% J% S: x% S* |" Z
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
    * ]7 U" H$ n% ]
16. - 完全免费使用
    
17. 
    % N* ?1 H5 o$ s3 l6 u
18. ## 使用限制
    
19. - 每分钟限额：6000 Token
    
20. - 每日 API 调用：14000 次
    5 R2 B* c+ [; |8 H; s/ M% U9 H5 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：
1. 点击左下角设置
2. 勾选自定义接口
/ B+ L3 ~9 E/ U3. 接口地址输入：https://api.groq.com/openai/
) u2 t6 s3 f" o, |8 Y' O  U4. 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

: K2 _" Y! S" W* }- H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。
% n0 P1 F7 P9 T7 ?
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
9 ?2 r! o+ D9 ]/ t' o8 N. q

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. 
   ; B( _. o/ c, W& M' f0 O4 {7 B0 T  Z& X
3. from groq import Groq
   7 _& o; ?- @8 j
4. 
   
5. client = Groq(
   
6.     api_key=os.environ.get("GROQ_API_KEY"),
   
7. )
   
8. 
   " g/ ^$ {( J! S5 l
9. chat_completion = client.chat.completions.create(
   
10.     messages=[
    ' P" C: w8 T2 ^
11.         {
    7 A4 K  U! z' O$ G
12.             "role": "user",
    
13.             "content": "Explain the importance of fast language models",
    ( o/ b. w+ m5 ^. I: S4 T: _8 Q" X
14.         }
    " \4 x9 `1 s! n
15.     ],
    0 ^* ]' Y3 ]" _; W
16.     model="llama3-8b-8192",
    / {! s; l$ e8 @( K( J: R
17. )
    
18. 
    ; Y+ ?" v3 X* y
19. print(chat_completion.choices[0].message.content)

复制代码

2 J9 u- @" E, z/ y$ J
) V) c8 G5 }9 h% f0 @6 A+ E实际使用：
记得把模型 llama3-8b-8192 换为 llama-3.3-70b-versatile
9 Q2 Q6 t9 ]: K2 M1 s
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：
   
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。
   / |/ i; Z7 B8 L/ B
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。
   
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。
   

复制代码

% m8 t. _2 }! d
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