Groq API 免费使用教程

fatiery

, D0 {  z, s. }9 J& P& i
下面的内容是转载的

' l5 I4 t- f, p2 Z% L( x' O6 @9 x0 \

1. ## 第一步：获取 API
   + u0 q( a2 M: R
2. 1. 访问 https://console.groq.com/
   % y6 _7 c8 ~/ l5 ?1 G3 C
3. 2. 完成注册并申请 API
   
4. 3. 保存获得的 API 密钥
   
5. 
   
6. ## 第二步：配置 NextChat
   
7. 1. 打开 https://app.nextchat.dev/
   5 r  h1 Q" }. U
8. 2. 在左侧设置中填入：
   6 V1 K- z$ P2 J  D1 P
9.    - 接口地址：`https://api.groq.com/openai/`
   
10.    - API Key：填入之前获取的密钥
    . N! y* B( Z- T7 r5 |
11.    - 自定义模型：`llama-3.3-70b-versatile`
    
12. 
    ) g4 M$ F' U% v% \
13. ## 主要优势
    % s; s: W6 F. P2 L* t) ]
14. - 响应速度：200 Token/秒
    
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
    
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

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
) \) V; O% Z' w. q2. 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)
5. 自定义模型输入：llama-3.3-70b-versatile
8 P/ F- f$ U" F% N# s# G4 U6. 模型 下拉 选择我们输入的 llama-3.3-70b-versatile
1 L6 c! @; y2 e1 {; C+ i
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。
3 S9 ~2 k# J/ R9 L$ O
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

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

复制代码

1. pip install groq

复制代码

1. import os
   ( n- y5 z, T! O/ Q
2. 
   
3. from groq import Groq
   
4. 
   0 s: l/ s$ z0 C# D: q& ?+ h3 x
5. client = Groq(
   
6.     api_key=os.environ.get("GROQ_API_KEY"),
   0 g# K6 g/ l( J* l% @+ Y7 H2 @
7. )
   
8. 
   
9. chat_completion = client.chat.completions.create(
   1 \+ v) F7 U. i2 P" z
10.     messages=[
    : P0 g! E/ f9 O! r
11.         {
    7 G# t9 G6 e7 d
12.             "role": "user",
    : m  G# c6 S3 t9 `% b5 k
13.             "content": "Explain the importance of fast language models",
    
14.         }
    ' v/ Y, Z1 D3 T
15.     ],
    % o; d( @% D# S  X0 P5 I5 N/ |: S
16.     model="llama3-8b-8192",
    * o( t' t6 Y2 K' _6 ^
17. )
    & e* }1 H4 d) a0 Z# R" K
18. 
    
19. print(chat_completion.choices[0].message.content)

复制代码

% ]$ H! u* z% B4 J# U8 Z0 L实际使用：
记得把模型 llama3-8b-8192 换为 llama-3.3-70b-versatile

' V3 q  B- v# L3 f* R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
: G" V) q, k8 `2 N) h8 }4 u; w, [/ B

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. 
   7 a$ ?! t: p0 A# p% g( g% j& J
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。
   " v) G3 {; y8 t: Q: 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。
   6 Z! e: R6 ?/ \: W7 Q
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。
   - {9 `. \" L! c# {( F; J4 b
7. 
   . M. I) X/ K4 H) N8 ~. f* R! w
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

  X& n9 V/ E5 N/ N4 W" P2 N
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。
. R3 ^# o/ s  ~9 D2 }. d% O! p% `& d

keepmoving

谢谢版主分享