Groq API 免费使用教程

fatiery

0 V" i0 A9 O. K  y. p& f# N
( K8 |5 U: I7 K4 O9 p下面的内容是转载的

1. ## 第一步：获取 API
   
2. 1. 访问 https://console.groq.com/
   8 ^: z% l0 _( K) ^0 L( N4 Y
3. 2. 完成注册并申请 API
   / K2 @( z6 F% c& M* {
4. 3. 保存获得的 API 密钥
   
5. 
     m, T+ k% C0 R
6. ## 第二步：配置 NextChat
   
7. 1. 打开 https://app.nextchat.dev/
     p& f: q. b4 {8 }7 T
8. 2. 在左侧设置中填入：
   * A; X1 Q" u% E# v$ c4 M
9.    - 接口地址：`https://api.groq.com/openai/`
   
10.    - API Key：填入之前获取的密钥
    1 W5 ~3 A9 f( R8 R0 l8 a4 o
11.    - 自定义模型：`llama-3.3-70b-versatile`
    
12. 
    
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
    1 O( g' D  E, V, F+ a) A
16. - 完全免费使用
    " w; Q6 v1 `% J# }7 A
17. 
    " ^, j! Z7 C* w8 v  I! \2 e7 L
18. ## 使用限制
      v$ E4 v, i. e. {7 g
19. - 每分钟限额：6000 Token
    
20. - 每日 API 调用：14000 次
    
21. - 足够普通用户日常使用

复制代码

) Q0 m# E0 _/ {- e9 I
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：
) {6 C$ V% D. ]" f) J) l9 A4 O1. 点击左下角设置
' ?  Q& s6 [" A2. 勾选自定义接口
3. 接口地址输入：https://api.groq.com/openai/
0 `7 a& I; \$ v- s4. API Key输入：gsk_XXXX(你的API密钥)
5. 自定义模型输入：llama-3.3-70b-versatile
/ F4 r" c. S- m2 i6. 模型 下拉 选择我们输入的 llama-3.3-70b-versatile
, O( y- X3 i; J  T, o; m! _* R
+ Z( P  ~$ `; ]' G+ f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。

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。
6 @, B4 w+ D3 ^6 B0 ^: i
官方教程

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. 
   : a. i* c& Z* X. y
3. from groq import Groq
   
4. 
   7 t* q" b* V" _
5. client = Groq(
   
6.     api_key=os.environ.get("GROQ_API_KEY"),
   ! e; v% [2 B) r- S- \$ m. g) W
7. )
   
8. 
   
9. chat_completion = client.chat.completions.create(
   8 A3 ^6 |% u5 \+ a3 P' M" s& ^
10.     messages=[
    2 _8 V0 l8 K. f4 \! G/ f
11.         {
    , w0 k7 k, k# ]. E! g, a
12.             "role": "user",
    
13.             "content": "Explain the importance of fast language models",
    , y" _+ ]3 `& V* y. F, P5 D
14.         }
    ) h/ I$ A2 p. f5 ~# ^; x4 u
15.     ],
    
16.     model="llama3-8b-8192",
    
17. )
    
18. 
    3 u1 q2 r, Y  y: E0 F6 b
19. print(chat_completion.choices[0].message.content)

复制代码

" j  }* a/ E3 k: q  a6 O8 d实际使用：
记得把模型 llama3-8b-8192 换为 llama-3.3-70b-versatile
9 M% p7 n% ^5 J
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. 
   * }- C, S. ~+ h8 p
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。
   
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。
   , ^" ^- W) W% Y7 d. a
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。
   5 b" _9 `- Q) {% ?& S  G1 L' `+ ~
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。
   9 }# q5 H# R, W" k6 X
7. 
   ; H9 q: }8 l; ?# X. f
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

( Y& T4 o: K, U% Y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。

8 t+ ~" O, |; ?3 P( T) U; V

keepmoving

谢谢版主分享