fn_registry/python/functions/ml/genconfig_to_diffusers_kwargs.md

name, kind, lang, domain, version, purity, signature, description, tags, params, output, uses_functions, uses_types, returns, returns_optional, error_type, imports, tested, tests, test_file_path, file_path

name	kind	lang	domain	version	purity	signature	description	tags	params	output	uses_functions	uses_types	returns	returns_optional	error_type	imports	tested	tests	test_file_path	file_path
genconfig_to_diffusers_kwargs	function	py	ml	1.0.0	pure	def genconfig_to_diffusers_kwargs(cfg: GenerationConfig) -> dict	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.	ml diffusers generation converter pure	name desc cfg Instancia de GenerationConfig con los parametros de generacion validados.	dict con claves prompt, negative_prompt, num_inference_steps, guidance_scale, width, height, generator (None). Listo para desempaquetar con pipe(**kwargs).		generation_config_py_ml		false			true	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	python/functions/ml/tests/test_genconfig_to_diffusers_kwargs.py	python/functions/ml/genconfig_to_diffusers_kwargs.py

Ejemplo

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__.