---
name: genconfig_to_diffusers_kwargs
kind: function
lang: py
domain: ml
version: "1.0.0"
purity: pure
signature: "def genconfig_to_diffusers_kwargs(cfg: GenerationConfig) -> dict"
description: "Convierte un GenerationConfig al dict de kwargs listo para pipe(**kwargs) de diffusers. Mapea prompt, steps, cfg_scale, width, height. LoRAs y sampler se aplican antes de la llamada; generator=None para que el caller setee torch.Generator por separado."
tags: [ml, diffusers, generation, converter, pure]
params:
  - name: cfg
    desc: "Instancia de GenerationConfig con los parametros de generacion validados."
output: "dict con claves prompt, negative_prompt, num_inference_steps, guidance_scale, width, height, generator (None). Listo para desempaquetar con pipe(**kwargs)."
uses_functions: []
uses_types:
  - generation_config_py_ml
returns: []
returns_optional: false
error_type: ""
imports: []
tested: true
tests:
  - "kwargs contiene todas las claves requeridas"
  - "negative_prompt None se pasa tal cual"
  - "steps y cfg_scale se mapean a num_inference_steps y guidance_scale"
  - "generator siempre es None"
test_file_path: "python/functions/ml/tests/test_genconfig_to_diffusers_kwargs.py"
file_path: "python/functions/ml/genconfig_to_diffusers_kwargs.py"
---

## Ejemplo

```python
from ml.genconfig_to_diffusers_kwargs import genconfig_to_diffusers_kwargs
from ml.generation_config import GenerationConfig
from ml.model_ref import ModelRef

cfg = GenerationConfig(
    prompt="a dog in the park",
    seed=42,
    steps=30,
    cfg_scale=7.5,
    sampler="euler_a",
    width=512,
    height=512,
    model=ModelRef(name="runwayml/stable-diffusion-v1-5", model_type="sd15"),
)

kwargs = genconfig_to_diffusers_kwargs(cfg)
# kwargs["num_inference_steps"] == 30
# kwargs["guidance_scale"] == 7.5
# kwargs["generator"] is None

# El caller asigna el generator:
# kwargs["generator"] = torch.Generator(device=device).manual_seed(cfg.seed)
# image = pipe(**kwargs).images[0]
```

## Notas

Funcion pura: sin I/O, sin torch, sin imports opcionales en tiempo de ejecucion.
Los LoRAs se aplican via `pipe.load_lora_weights(lora.path, adapter_name=...)` antes
de la llamada. El scheduler/sampler se configura via `pipe.scheduler = ...` tambien
antes. Ambos no tienen mapping directo a kwargs de `__call__`.