Groq API 免费使用教程

fatiery

4 J' X* ]1 G* H% w2 y
# V: Z& w, z8 y; ^  i( P下面的内容是转载的
& p6 D! F/ ?. V6 K9 [& |8 ]
' f: i, p: }) Q) b# M" |! q: M

1. ## 第一步：获取 API
   ; a5 }3 e  G- N, w
2. 1. 访问 https://console.groq.com/
   
3. 2. 完成注册并申请 API
   4 S+ J* P6 @7 L9 C  y
4. 3. 保存获得的 API 密钥
   
5. 
   2 _* B# v2 M; W* q( X
6. ## 第二步：配置 NextChat
     O; ?0 d1 a5 B7 R% r; T  K4 A
7. 1. 打开 https://app.nextchat.dev/
   
8. 2. 在左侧设置中填入：
   ) K% F; v; b  J- H# K
9.    - 接口地址：`https://api.groq.com/openai/`
   ; ^; w: i1 U( N- _" A5 P7 L3 T+ ?' R4 K
10.    - API Key：填入之前获取的密钥
    
11.    - 自定义模型：`llama-3.3-70b-versatile`
    3 _! I0 Y: d( R9 \" V: J
12. 
    : F( H+ n" t$ s
13. ## 主要优势
    
14. - 响应速度：200 Token/秒
    0 j. c$ L6 W8 T, p. [
15. - 性能表现：接近 GPT-4.0 水平
    4 Q" {9 F* R. L6 ], c$ ]7 E" Q; V
16. - 完全免费使用
    8 p; u% l0 H; u8 F4 M4 r; i1 X
17. 
    
18. ## 使用限制
    # Q& P# S; U. [7 U0 _7 [
19. - 每分钟限额：6000 Token
    , w, y3 T* S2 O0 M6 g3 Z0 N. E& B# C; F( t
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：
# Z, L; T2 A1 N* i1. 点击左下角设置
2. 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
6. 模型 下拉 选择我们输入的 llama-3.3-70b-versatile

+ Z' M1 a* C, T2 s2 g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。
- I9 j# |; {% P9 ~1 K! m
; c7 J7 z. e; V: V  A. \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。
  J0 U" ?8 B8 C  w( a6 f
官方教程
6 y- n4 a8 n+ T7 k5 U; A9 J9 B$ g

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

复制代码

1. pip install groq

复制代码

1. import os
   6 l1 G# ~" l- K$ p1 F
2. 
   , S* ~3 K6 r; g8 w6 y0 u! f& f/ k( w! p
3. from groq import Groq
   
4. 
   
5. client = Groq(
   
6.     api_key=os.environ.get("GROQ_API_KEY"),
   / ?5 b2 o6 c$ D+ Z/ ]% s
7. )
   7 @  W8 E2 m4 t# I/ B
8. 
   
9. chat_completion = client.chat.completions.create(
   / W; C* u: w( c  ~$ R- X( M
10.     messages=[
    2 S, F2 X0 R- s2 m3 G9 ?  E1 Z
11.         {
    
12.             "role": "user",
    
13.             "content": "Explain the importance of fast language models",
    
14.         }
    
15.     ],
    * C5 _' j4 r; S; @  {
16.     model="llama3-8b-8192",
    
17. )
    0 ?2 p0 g1 X6 K) P7 L, R
18. 
    
19. print(chat_completion.choices[0].message.content)

复制代码

5 x" H. p3 V; U1 U& B+ T5 P: e  w
实际使用：
2 x9 ~5 ]! [3 p5 I( z6 Q5 |8 I. Y记得把模型 llama3-8b-8192 换为 llama-3.3-70b-versatile
# M$ c, E2 C3 q4 e
, p' A' I' W, \- w' Q: q! ?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。
   3 V8 ^$ {  B/ ?) X$ R( _
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。
   
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。
   . L( p  ~; A; Y3 v, D! Q4 S) @' L
7. 
   1 n, H2 y: H% J/ o
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

& @4 L$ f! ~5 I/ H
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 ]! V0 G# T; `. `

keepmoving

谢谢版主分享