LibreTorrent:自由开源的Android BitTorrent客户端
LibreTorrent是一款功能强大、完全免费的Android BitTorrent和WebTorrent客户端,不仅注重功能实现,更强调用户隐私和软件自由。该项目遵循开源精神,鼓励用户参与使用、查看源代码、进行修改并分享成果。
项目介绍
LibreTorrent以其全面的功能集脱颖而出,支持BitTorrent 2.0协议以及WebTorrent,让用户能够在任何时间、地点享受流畅的文件下载体验。无论您是移动设备还是平板电脑用户,甚至是Android TV用户,都能找到适合自己的界面设计。此外,黑暗主题和黑色主题的选择使您在夜间使用时更加舒适。
核心技术特性
该应用程序基于libtorrent4j,一个高效且稳定的Java实现的BitTorrent库。LibreTorrent具备以下核心技术特性:
- 支持DHT、PeX、加密连接、本地发现(LSD)、UPnP和NAT-PMP,以及µTP协议,确保高速稳定下载
- 支持IP过滤功能,兼容eMule DAT和PeerGuardian列表,增强安全性和隐私保护
- 自动下载管理器与RSS订阅,让用户可以轻松跟踪并自动下载喜欢的内容
- 支持通过HTTP/S和磁力链接添加种子
- 能够创建大型、包含多个文件的种子,方便分享
应用场景
LibreTorrent非常适合那些需要在移动设备上快速、安全地传输大文件的用户,例如程序员、设计师或多媒体爱好者。其流媒体功能使得无需等待完整下载即可观看视频或听音乐。此外,对于Android TV用户来说,LibreTorrent是一个理想的PVR工具,可配合其他应用来获取和播放网络内容。
项目特色
- 全功能支持:包含所有主流BitTorrent客户端应有的特性,如文件选择性下载、文件移动等
- 跨平台兼容:适用于不同类型的Android设备,包括手机、平板和电视
- 多语言支持:支持超过35种语言,便于全球范围内的用户体验
- 隐私优先:严格遵守GPLv3许可,尊重用户隐私,无广告,无需特殊权限
- 社区驱动:激励用户参与翻译和开发,持续改进项目
安装和使用
要使用LibreTorrent,您可以通过以下方式获取:
git clone https://gitcode.com/gh_mirrors/li/libretorrent
项目采用标准的Android开发环境,使用Gradle进行构建。开发者可以轻松地导入项目到Android Studio中进行编译和调试。
技术架构
LibreTorrent采用现代化的Android架构,包含以下核心组件:
- TorrentEngine:负责管理所有种子下载任务的核心引擎
- Repository模式:使用Room数据库进行数据持久化存储
- MVVM架构:采用ViewModel和LiveData实现数据驱动界面
- 模块化设计:将文件系统、网络、设置等功能模块化,便于维护和扩展
贡献指南
项目欢迎开发者参与贡献,具体贡献指南可参考项目中的CONTRIBUTING.md文件。贡献者需要遵循项目的编码规范,并确保所有测试用例通过。
许可证
LibreTorrent采用GNU General Public License v3 (GPLv3)许可证,确保软件的自由性和开放性。用户可以自由地使用、修改和分发软件,但必须保持相同的开源许可证。
隐私保护
项目高度重视用户隐私,不会收集任何个人身份信息。所有下载数据都存储在本地设备上,开发者无法访问用户的下载内容或个人信息。
LibreTorrent代表了Android平台上开源BitTorrent客户端的最高水准,为需要高效、安全文件传输的用户提供了优秀的解决方案。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00




