Groq API 免费使用教程

fatiery

8 h; Z+ o& V& `0 t, b" I$ _下面的内容是转载的
1 d/ s5 V5 J( E4 v6 m
* M6 P; ^4 p8 v8 J) F3 t

1. ## 第一步：获取 API
   
2. 1. 访问 https://console.groq.com/
   / H" E% W* b0 h% ^
3. 2. 完成注册并申请 API
   * W& h( ]/ R" \. }* z: M- k# e7 Q
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/
   
8. 2. 在左侧设置中填入：
   $ i5 u: Q3 `: N: B: j9 x" i6 s7 j
9.    - 接口地址：`https://api.groq.com/openai/`
   
10.    - API Key：填入之前获取的密钥
    ( v" r) }6 t9 h0 U( F9 y# G- \
11.    - 自定义模型：`llama-3.3-70b-versatile`
    
12. 
    4 ~; b' o' D$ s9 C+ z: Z
13. ## 主要优势
    ! v* l7 q1 {$ t/ T' K
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

( w, G2 J0 D+ B/ M4 j
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
: N2 o- o; V$ ~  V; `3. 接口地址输入：https://api.groq.com/openai/
4. API Key输入：gsk_XXXX(你的API密钥)
) ]1 @8 q/ x$ J# n" }0 i$ W5. 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

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。

0 d7 r& x' o. N1 _( f0 c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
   8 I' p6 m( A* z, \) ?
2. 
   
3. from groq import Groq
   
4. 
   , h' J& ?( K" y* Q+ ?
5. client = Groq(
   
6.     api_key=os.environ.get("GROQ_API_KEY"),
   
7. )
   
8. 
   
9. chat_completion = client.chat.completions.create(
   4 E# q$ |7 L; K% R& Z4 X% V
10.     messages=[
    
11.         {
    9 b0 e+ z9 i) x& s( z8 E5 h  G9 Z
12.             "role": "user",
    , S; R# r% i3 y7 V- f
13.             "content": "Explain the importance of fast language models",
    - S3 A$ |0 Y+ _0 b' E) D
14.         }
    
15.     ],
    * J  D, a! w) h1 G
16.     model="llama3-8b-8192",
    
17. )
    . J$ y& k* O8 H" X3 N7 O/ y
18. 
    1 J6 v& ~( V& S  X
19. print(chat_completion.choices[0].message.content)

复制代码

* U5 N- V. b# k" V. Y/ y/ y
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

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。
   
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。
   ! L3 M( J. A9 j
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. 
   7 j7 }' }0 ]4 J3 b4 Z4 E1 {( 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。
   ( ]: I$ Z) M$ M* S/ z: v

复制代码

+ X" J- Y  f7 J7 s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。
6 C' `: D) u: `! z; ]3 W
3 ~* F! m4 M5 R

keepmoving

谢谢版主分享