文本到图像模型已迅速从休闲创意工具发展为专业级系统，实现了前所未有的图像质量与真实感。然而，大多数模型仅被训练为将简短提示词映射为细节丰富的图像，导致文本输入的稀疏性与视觉输出的丰富性之间存在显著差距。这种不匹配降低了模型的可控性：模型常会随意填补缺失细节，倾向于平均用户偏好，从而限制了其在专业场景中的精确控制能力。为解决这一局限，我们首次训练了一款基于长结构化描述的开源文本到图像模型，其中每个训练样本均标注了相同的一组细粒度属性。该设计极大扩展了表达能力，并实现了对视觉因素的解耦控制。为高效处理长描述，我们提出DimFusion机制——一种无需增加 token 长度即可融合轻量级大语言模型（LLM）中间 token 的融合方法。此外，我们引入了“文本作为瓶颈的重建”（Text-as-a-Bottleneck Reconstruction, TaBR）评估协议。通过评估真实图像在“描述生成-重建”循环中被还原的准确程度，TaBR 能够直接衡量模型的可控性与表达能力，尤其适用于现有评估方法失效的超长文本描述场景。最后，我们通过训练大规模模型 FIBO，充分验证了上述方法的有效性，使该模型在开源模型中实现了最先进的提示词对齐性能。模型权重已公开发布于 https://huggingface.co/briaai/FIBO。