Coinbase + Glassnode: Charting Crypto Q3 2025

insights.glassnodePublicado a 2025-07-16Actualizado a 2025-07-17

Tailwinds Take Shape in Q3

The third quarter of 2025 marks a clear pivot in digital asset markets. Risk sentiment is rebounding, regulatory clarity is improving, and capital is flowing back into high-conviction assets. With Bitcoin reaching fresh all-time highs and stablecoin activity setting new records, market conditions are aligning for continued structural growth.

Produced in collaboration with Coinbase Institutional, the latest Charting Crypto report distills the most critical trends shaping institutional crypto strategy this quarter. From ETF flows and profit-taking behavior to smart contract activity and macro correlations, the report offers a data-driven perspective grounded in on-chain and off-chain market structure.

💡

Download Charting Crypto Q3 2025 by Coinbase x Glassnode

Highlights from this edition:

Bitcoin leads the market as dominance reaches 64%, fueled by ETF inflows and renewed institutional accumulation.
Spot ETF flows accelerate: Q2 saw over $14.6B in net inflows to BTC and ETH ETFs - more than 20x the Q1 figure.
Stablecoins solidify their role in the financial stack, with total supply surpassing $230B and monthly volumes exceeding $4T.
Ethereum shows signs of rotation, as investors reposition following Q1’s capitulation and Q2’s strong recovery.

With analysis from both Coinbase and Glassnode analyst teams, this quarterly report remains a core resource for professional investors navigating crypto’s latest developments.

Key Insights from Q3 2025

1. Bitcoin regains dominance in flight to quality

Bitcoin's share of total crypto market capitalization climbed to 64%, its highest level since early 2021. Ethereum and Solana also saw modest gains, while altcoin market share continued to contract. The rotation into "blue-chip" assets underscores a clear institutional preference for liquidity and resilience amid ongoing macro uncertainty.

2. ETH sentiment flipped decisively in Q2

Glassnode’s Net Unrealized Profit/Loss (NUPL) metric shows that Ethereum investor sentiment recovered from capitulation to belief, signaling a dramatic shift in market psychology. This rebound helped drive ETH’s Q2 rally and may support continued accumulation if macro tailwinds persist.

3. Long-term ETH holders took profits into strength

Ethereum’s liquid supply rose by 8% while illiquid supply fell by 6% in Q2, suggesting that long-term holders were selectively realizing gains into the rally. This redistribution pattern reflects a healthy market structure, with newer entrants absorbing supply from early adopters.

Together, these trends point to a maturing market environment where institutional flows, macro tailwinds, and on-chain behavior are aligning. Bitcoin’s dominance, Ethereum’s sentiment shift, and selective profit-taking by long-term holders all suggest that the current cycle is transitioning from recovery to expansion - potentially laying the groundwork for a structurally stronger digital asset market in the second half of 2025.

For the full Q2 2025 edition of Charting Crypto, including exclusive contributions from Bitwise, Grayscale, and ParaFi, download the report here.

Lecturas Relacionadas

Ingresos anuales de 100 millones de dólares, dos compañeros de cuarto de Berkeley de los 90 crean el negocio de IA más rentable

Una startup que no desarrolla modelos de IA, Arena, alcanza un ingreso anualizado de 100 millones de dólares. Su origen es Chatbot Arena, un proyecto de investigación de código abierto iniciado en 2023 por el grupo de investigación LMSYS de UC Berkeley. La plataforma alberga una clasificación líder (leaderboard) de modelos de lenguaje, basada en más de 82 millones de votos de usuarios reales que evalúan respuestas de modelos anónimos en duelo. Actualmente recibe más de 10 millones de visitantes mensuales. Todos los principales desarrolladores de IA, como OpenAI, Google y Anthropic, someten sus modelos a esta evaluación comunitaria neutral. Su servicio comercial "AI Evaluations", lanzado hace ocho meses, permite a empresas pagar por análisis profundos del rendimiento de sus modelos en escenarios del mundo real, lo que generó los 100 millones de dólares en ingresos. La empresa se constituyó formalmente en 2025, recaudó una ronda semilla de 100 millones y alcanzó una valoración de 1.700 millones de dólares. Sus cofundadores son Anastasios Angelopoulos (CEO), Wei-Lin Chiang (CTO, creador del modelo Vicuna) y el profesor Ion Stoica. Arena está expandiendo sus capacidades de evaluación hacia el modo "agente" para tareas complejas, posicionándose como un árbitro esencial en la evolución de la IA.

marsbitHace 27 min(s)

Ingresos anuales de 100 millones de dólares, dos compañeros de cuarto de Berkeley de los 90 crean el negocio de IA más rentable

marsbitHace 27 min(s)

Acaparó 24,000 estrellas: con un solo comando, la IA ya puede buscar habilidades por sí misma

## Resumen en español de Europa (Menos de 1500 caracteres) La herramienta `skills` de Vercel, un administrador de paquetes para agentes de IA que alcanzó 24,000 estrellas en GitHub en 5 meses, está transformando la programación con IA. Permite instalar "paquetes de habilidades" específicos (como mejores prácticas de React o reglas de diseño) en agentes como Claude Code o Cursor con un simple comando `npx skills add <paquete>`. Estos paquetes, que contienen instrucciones y scripts, permiten que la IA aprenda y aplique permanentemente el conocimiento contextual de un proyecto, pasando de la ingeniería de prompts a la "ingeniería de capacidades". La característica más futurista es `find-skills`, una habilidad que permite al agente buscar e instalar automáticamente el paquete necesario según la tarea del usuario, actuando como un motor de búsqueda de capacidades para IA. Sin embargo, este ecosistema emergente plantea graves riesgos de seguridad. Estudios como "ToxicSkills" de Snyk revelan que más del 30% de los paquetes auditados presentan defectos, incluyendo malware, inyección de prompts y robo de claves. A diferencia de npm, los "skills" combinan código, instrucciones naturales y acceso directo al sistema, amplificando el potencial de daño. Se recomienda verificar minuciosamente la fuente y los permisos de cada paquete antes de instalarlo. En esencia, Vercel repite su fórmula de éxito: simplificar procesos complejos (esta vez en la capa de los agentes de IA) en un solo comando, aunque la comunidad debe adoptar buenas prácticas de seguridad para este nuevo "momento npm" de la IA.

marsbitHace 28 min(s)

Acaparó 24,000 estrellas: con un solo comando, la IA ya puede buscar habilidades por sí misma

marsbitHace 28 min(s)

El ingeniero Claude finalmente presenta Fable 5: 'Manual de la Quemazón', enseñándote a romper la barrera de información con el modelo

Fable 5 ha tenido un viaje tumultuoso desde su lanzamiento, pasando de gran expectación a restricciones gubernamentales. Ahora, el ingeniero de Claude Code, Thariq Shihipar, comparte una guía clave para usar el modelo de forma efectiva. El problema central es la "brecha de información" entre el usuario y el modelo: la diferencia entre las instrucciones (el "mapa") y la tarea real (el "territorio"). A estas diferencias las llama "incógnitas". El éxito con Fable depende de nuestra habilidad para identificar y aclarar estas incógnitas, un proceso iterativo que ocurre antes, durante y después de la implementación. Thariq categoriza el conocimiento en: lo que sabemos que sabemos, lo que sabemos que no sabemos, lo que no sabemos que sabemos y lo que no sabemos que no sabemos. La guía ofrece técnicas prácticas para cada fase: - **Antes de implementar**: Escaneo de puntos ciegos, lluvia de ideas/prototipado, entrevistas inversas al modelo, uso de referencias (como código fuente) y creación de un plan. - **Durante la implementación**: Mantener un archivo de notas para registrar decisiones y desviaciones. - **Después de implementar**: Crear documentación explicativa para facilitar revisiones y realizar autoevaluaciones para asegurar la comprensión. El artículo concluye que, cuanto más potente es el modelo, más crítico se vuelve el método correcto. Invertir tiempo en definir las incógnitas con Claude, mediante prototipos, planes y preguntas, es la forma de alinear el "mapa" con el "territorio" y lograr los mejores resultados.

marsbitHace 32 min(s)

El ingeniero Claude finalmente presenta Fable 5: 'Manual de la Quemazón', enseñándote a romper la barrera de información con el modelo

marsbitHace 32 min(s)

Los tokens se tragan el 30% de los salarios: la factura de la IA en Silicon Valley se ha descontrolado

El gasto en tokens de IA consume hasta el 30% de los salarios en empresas como SemiAnalysis, donde el uso intensivo de modelos grandes ha reescrito la economía de los servicios profesionales, multiplicando la productividad. Sin embargo, gigantes como Uber y Microsoft enfrentan facturas descontroladas y límites de uso, ya que los costos de computación a menudo superan los beneficios inmediatos. Mientras tanto, la optimización de software y hardware está impulsando una caída estructural en los precios de los tokens, con proyecciones de reducciones de costos de más del 90% para 2030. Esta dualidad define el momento actual de la IA: una inversión masiva y disrupción laboral, aún a la espera de un impacto económico tangible generalizado, similar a las fases iniciales de revoluciones infraestructurales previas.

marsbitHace 33 min(s)

Los tokens se tragan el 30% de los salarios: la factura de la IA en Silicon Valley se ha descontrolado

marsbitHace 33 min(s)

OpenAI se desploma, bug en la ley de escala original, un billón de potencia computacional quemada en vano

Un investigador de DeepMind reveló que el documento original de Scaling Law de OpenAI contenía un error crítico, lo que llevó a la industria de IA a desperdiciar billones en capacidad de computación durante años. El bug consistió en usar una cantidad fija de tokens de entrenamiento y una programación de tasa de aprendizaje inadecuada para todos los modelos, haciendo que los modelos grandes parecieran estar saturados prematuramente. Esto llevó a la creencia errónea de que aumentar parámetros era más importante que los datos, como se vio en GPT-3. Más tarde, Chinchilla de DeepMind demostró que modelos más pequeños con más datos podían superar a modelos grandes pero con menos datos. Además, se señaló que las leyes de escalado actuales están sesgadas hacia el inglés, un lenguaje ineficiente, mientras que idiomas como el francés o chino pueden lograr mejores resultados con menos recursos. La corrección de este error podría haber acelerado el desarrollo de IA eficiente y ahorrado recursos significativos.

marsbitHace 48 min(s)

OpenAI se desploma, bug en la ley de escala original, un billón de potencia computacional quemada en vano

marsbitHace 48 min(s)

Trading

Spot