Groq API 免费使用教程

fatiery

5 k( U9 @, K5 J- N8 c  Q
下面的内容是转载的
; z8 {  O% H% V: D, y6 M3 U
% Q0 L- \( Y" q7 Q7 Q

1. ## 第一步：获取 API
   
2. 1. 访问 https://console.groq.com/
   0 S! d7 R. q/ A- M3 x
3. 2. 完成注册并申请 API
   
4. 3. 保存获得的 API 密钥
   : G* E  {/ y2 l: B4 E
5. 
   
6. ## 第二步：配置 NextChat
   7 c; v8 n+ o- R3 l
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`
    
12. 
    ' s$ d; m# ]2 F& C9 v
13. ## 主要优势
    
14. - 响应速度：200 Token/秒
    . d) z; R8 X: C. t% f7 ?
15. - 性能表现：接近 GPT-4.0 水平
    
16. - 完全免费使用
    9 ]$ ^2 A; h( @' P  x
17. 
    - V: y5 w! m8 f; C
18. ## 使用限制
    + t4 R9 m% I5 i; [
19. - 每分钟限额：6000 Token
    
20. - 每日 API 调用：14000 次
    6 x7 |3 ]' v, k2 Z/ [2 u! O- B% T6 U
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：
" Y4 g) ]! W3 b5 _' ^( v+ V1. 点击左下角设置
* \, H! B4 o+ ]7 t7 g' v# g2 h2. 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
3 |7 _- T# \3 A% Q. L+ W6. 模型 下拉 选择我们输入的 llama-3.3-70b-versatile
$ E1 V% a1 E) u
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。
/ ~  X" S' x" M7 X" g' 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
. v: S: E/ ^0 k! g6 O7 H2 d5 n

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

复制代码

1. pip install groq

复制代码

1. import os
   ; c& h+ g! x' N7 n2 H) `' N1 C
2. 
   0 D. q2 n% w; L" Y: x+ e9 [7 n5 E; _
3. from groq import Groq
   
4. 
   - c8 e0 r1 v  D( M
5. client = Groq(
   $ }+ d/ o& v* ?
6.     api_key=os.environ.get("GROQ_API_KEY"),
   5 M. Y8 t6 K! {# ~6 \4 F( [
7. )
   
8. 
   
9. chat_completion = client.chat.completions.create(
   4 @2 [% ^( U0 O" F1 n8 L7 _
10.     messages=[
    
11.         {
    
12.             "role": "user",
    
13.             "content": "Explain the importance of fast language models",
    
14.         }
    9 H" D. b! {& ]' @# a0 E# M! {7 U" ?7 M
15.     ],
    
16.     model="llama3-8b-8192",
    ( {- ?2 t- c* ^! J8 Q% v- c
17. )
    6 x! }! @* s* K6 F3 q+ `. j8 a6 s
18. 
    2 `1 Y+ [& C; \% ]7 @: h' d/ [& E
19. print(chat_completion.choices[0].message.content)

复制代码

! T# X" s6 B% \% F( W  K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
5 t' R( M6 j* [

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。
   . m. p4 w7 N6 m, ~, ?2 }
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。
   + d* I  S( n! \& Q2 h0 M
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。
   , G! e1 ^8 O3 H- j
7. 
   3 x7 y# I7 w) P8 |2 ]
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。
   + t/ ]3 h" B5 M' [

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。

+ D% m9 C0 q( F/ G5 k% A' Y% U

keepmoving

谢谢版主分享