Groq API 免费使用教程

fatiery

. Z' ?/ g. W5 e
# f& n0 T( W1 e  [1 N6 W0 ~下面的内容是转载的
+ ^( c8 C* }7 N+ x" q3 q0 d- C
  |6 p" d3 q# J, R8 C8 C

1. ## 第一步：获取 API
   3 d. W. e/ m6 @; q
2. 1. 访问 https://console.groq.com/
   
3. 2. 完成注册并申请 API
   7 k, F7 [& d4 b7 O9 r9 y3 Q
4. 3. 保存获得的 API 密钥
   * @! t$ C2 m5 n
5. 
   " W! ]6 u: Q, d1 R$ l" E# u
6. ## 第二步：配置 NextChat
   
7. 1. 打开 https://app.nextchat.dev/
   ! Q+ ^4 K2 O8 g: e9 R% }6 _6 r' j
8. 2. 在左侧设置中填入：
   " X- X+ P; P4 j5 i
9.    - 接口地址：`https://api.groq.com/openai/`
   * [9 Z, ?3 r, B. ?+ {
10.    - API Key：填入之前获取的密钥
    - L. |, a1 l/ M4 P
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
    0 _0 y, u, Z) ^. D5 \
15. - 性能表现：接近 GPT-4.0 水平
    # R$ I  h9 |2 K; D: ^- W
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
( B% t: N: W" D' y+ T9 v2. 勾选自定义接口
: [. U% |) q/ v0 |/ G3. 接口地址输入：https://api.groq.com/openai/
4. API Key输入：gsk_XXXX(你的API密钥)
3 L( |5 ]& e& r: F. T% \" b5. 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
6 O( G1 [# Y1 |) `; O0 {
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。

" }1 F  _2 R5 M: t% m- S" _官方教程
/ i) T7 {9 w+ _+ F1 P- }7 `

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. 
   0 D; J2 A) l1 m. ]9 w$ u
3. from groq import Groq
   * n6 I9 P( i: y9 f$ W
4. 
   9 X7 }! g- F8 @5 p& ?  U% P
5. client = Groq(
   
6.     api_key=os.environ.get("GROQ_API_KEY"),
   + c& F; \9 E- j# h
7. )
   
8. 
   
9. chat_completion = client.chat.completions.create(
   ( p* `' M1 r) Z/ i" M: z4 [
10.     messages=[
    8 F" y( d% }9 {' H& d) H
11.         {
    + t3 y% O. e* d3 I
12.             "role": "user",
    
13.             "content": "Explain the importance of fast language models",
    4 V+ z9 i. E1 b$ ^- R
14.         }
    
15.     ],
    
16.     model="llama3-8b-8192",
    ) Z5 l9 a" M% a7 `- N
17. )
    
18. 
    " ?$ Z/ M! h, v) k6 i
19. print(chat_completion.choices[0].message.content)

复制代码

% v+ b+ u5 G) N8 n
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
4 q2 V3 q& L, g9 Q1 ~+ Y8 Z

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 I3 F# Q  d+ g( \- M
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。
   ' W1 H6 V8 U. {) i8 `
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。
   3 `2 Q7 g, J! F5 w( c* I
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。
   / W( k% v  P4 c
7. 
   ! r: c9 ?5 Z0 V2 H" 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

3 h7 Q9 ^$ ?, V; r1 L
9 K# m: B4 p4 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。
8 G% M- G1 n2 B% s+ m! e

keepmoving

谢谢版主分享