Groq API 免费使用教程

fatiery

$ ~+ ]$ U& ^9 w0 c: M5 e9 j下面的内容是转载的
" F' F6 t) g( X* Z
6 C/ ]2 l' h3 x. l

1. ## 第一步：获取 API
   # _" A( O$ x6 U$ ]$ K  P( p1 H
2. 1. 访问 https://console.groq.com/
   : D0 N+ a5 K9 M3 ]# g: W1 O
3. 2. 完成注册并申请 API
   
4. 3. 保存获得的 API 密钥
   2 \" n! C  c) t' K
5. 
   
6. ## 第二步：配置 NextChat
   
7. 1. 打开 https://app.nextchat.dev/
   
8. 2. 在左侧设置中填入：
   - |) t# v7 s3 i
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`
    6 j2 A+ n8 \- T0 _* p5 X
12. 
    + i  V" N$ c% S) Q( w$ b
13. ## 主要优势
    % b$ b- a; o; O) z
14. - 响应速度：200 Token/秒
    
15. - 性能表现：接近 GPT-4.0 水平
    + P! _8 @+ h5 a( b3 o$ K
16. - 完全免费使用
    
17. 
    + M& p9 I& j4 _4 R3 i& l* }
18. ## 使用限制
    + v+ v5 |" n; C0 {: F
19. - 每分钟限额：6000 Token
    6 p; l% G' b  C, m
20. - 每日 API 调用：14000 次
    , \$ p9 t+ G. K; `2 W* D3 M
21. - 足够普通用户日常使用

复制代码

) G3 G+ p! R5 s2 B; T; g8 m7 a/ E
; p$ {( a) Z0 [# F1 E9 P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：
5 Y5 O, d9 g2 w: K1. 点击左下角设置
  N2 g3 J  [" m' I* q2. 勾选自定义接口
3. 接口地址输入：https://api.groq.com/openai/
( s& p$ v" P( T% u: N4. 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

3 r! K$ C6 ?- N4 `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。
4 v. C7 M2 L( I# J( s% V
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
  l0 Y* A7 T. X! s: u1 @

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

复制代码

1. pip install groq

复制代码

1. import os
   / ?' d. e. D/ T* o1 y2 }/ g
2. 
   0 W+ @+ ~4 _& X3 C" a
3. from groq import Groq
   0 {+ O9 k5 J5 _' S  x
4. 
   , p- B/ Q: D  O5 `3 M1 a' s
5. client = Groq(
   % Y! G4 ~( K* u
6.     api_key=os.environ.get("GROQ_API_KEY"),
   ! g2 i5 i- f  [' B$ j9 b
7. )
   5 e6 P3 F2 a7 `5 p
8. 
   
9. chat_completion = client.chat.completions.create(
   2 |, A; J5 r8 S- e
10.     messages=[
    
11.         {
    % J$ q1 ]# U' W2 P
12.             "role": "user",
    
13.             "content": "Explain the importance of fast language models",
    # g+ v' L, {& b: [+ [3 I0 h/ t  W; ]
14.         }
    4 M5 U: t4 g, N5 `# s0 N
15.     ],
    
16.     model="llama3-8b-8192",
    * K' A: k' m- d: n" z" g, m/ m; o
17. )
    6 Z8 n% \2 u' g! c; a8 \0 d
18. 
    
19. print(chat_completion.choices[0].message.content)

复制代码

4 v; c7 T$ A- N7 @6 s( p6 P$ M& T
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
7 {, P* s+ @! w" f

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. 
   ( R% ?. X, p* U+ 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。
   + t( d- ]/ R! d
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。
   * W# V" d1 d: N; }8 d- V: q
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. 
   ; `+ g6 ^/ b3 Z
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。
   9 B/ a0 P  M8 W" P- Y+ n. M

复制代码

' P* N1 b7 ~: M5 I5 w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