Groq API 免费使用教程

fatiery

下面的内容是转载的
4 T3 I2 {; P4 m& I- Z3 @% D6 M

1. ## 第一步：获取 API
   ) T' S) Y5 j7 K
2. 1. 访问 https://console.groq.com/
   
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/
   
8. 2. 在左侧设置中填入：
   5 k' [5 m* |/ a7 C8 T
9.    - 接口地址：`https://api.groq.com/openai/`
   : j1 c- t! X. j0 s, Q6 d" t; g
10.    - API Key：填入之前获取的密钥
    
11.    - 自定义模型：`llama-3.3-70b-versatile`
    " V" g) c& w4 B) |7 V
12. 
    
13. ## 主要优势
    # O+ U7 v( k+ y. N  S- w8 \5 ?
14. - 响应速度：200 Token/秒
    6 C7 s$ k' T% H: H6 n  r  W
15. - 性能表现：接近 GPT-4.0 水平
    
16. - 完全免费使用
    7 |6 z+ i  L! e6 A# N4 X) s
17. 
    
18. ## 使用限制
    * J$ x, n0 v( Q7 @8 f6 s
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

$ X0 T, _9 w2 {- c$ R! v1 H  D! k
# B1 R0 X! K+ ]3 n% T1 T; l  [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
# f. S) X: c+ @0 I# [2. 勾选自定义接口
. f, ]$ e/ o) a! ^8 x- T7 N, g3. 接口地址输入：https://api.groq.com/openai/
4. API Key输入：gsk_XXXX(你的API密钥)
; A6 N( h- p2 D4 X& \  @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
* A& {+ }' D* k/ g1 i" D6 A) V
8 `6 W: [! B+ x7 Q: \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。

& Q% ?2 E' J* \, L: |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。

, D' F& l! M6 ?官方教程
5 X2 z. {4 J0 [( w: |

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. 
   , C) P/ r. R. r1 v
3. from groq import Groq
   
4. 
   
5. client = Groq(
   
6.     api_key=os.environ.get("GROQ_API_KEY"),
   
7. )
   
8. 
   
9. chat_completion = client.chat.completions.create(
   
10.     messages=[
    
11.         {
    5 b3 a4 w5 q) O( P
12.             "role": "user",
    
13.             "content": "Explain the importance of fast language models",
    
14.         }
    : [' X/ W9 P0 e( e
15.     ],
    
16.     model="llama3-8b-8192",
    
17. )
    
18. 
    
19. print(chat_completion.choices[0].message.content)

复制代码

1 h7 B6 y% W8 L
- r2 v% u  `( ^' S1 p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
/ I7 Z* D& L% C5 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：
   * q2 c' F; g3 G- m* a. W0 C) u
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。
   ) r/ u  N9 A4 z, K7 S2 c8 S- G
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。
   + m4 n3 m% J" z; e- 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。
   7 n, q# ?+ M# g; T. e
7. 
   
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。
   ) l' Q' s* B8 P# e& g" i7 ]

复制代码

8 [3 q/ O2 g. U
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。

' i! g4 p9 O) x- u

keepmoving

谢谢版主分享