Grayscale назвала топ-20 альткоинов с наибольшей доходностью в III квартале

cryptonews.ruPublicado a 2025-09-25Actualizado a 2025-09-27

Grayscale в своем индексе показала, что альткоины принесли наибольшие доходы в третьем квартале 2025 года. Биткоин, напротив, не оправдал ожиданий, в то время как BNB Chain, Prometheus и Avalanche стали лидерами по доходности с учетом риска

Индекс в основном состоял из токенов, используемых для финансовых приложений и платформ смарт-контрактов. Темы, такие как принятие стейблкоинов, объемы торгов на биржах и казначейства цифровых активов (DATs), значительно способствовали их успеху.

Альткоины доминировали в III квартале

Третий квартал 2025 года стал временем укрепления на рынке цифровых активов. Согласно индексу Grayscale Research, некоторые токены показали лучшие результаты по доходности с учетом волатильности.

В рейтинге 20 лучших токенов по производительности BNB Chain занял первое место, обеспечив наилучшие доходы с относительной стабильностью. Следом за ним расположились Prometeus, Avalanche, Cronos, Beldex и Ethereum.

Топ-20 токенов по производительности. Источник: Grayscale Research.
Топ-20 токенов по производительности. Источник: Grayscale Research.

Grayscale делит рынок цифровых активов на шесть сегментов по функциям и применению: валюты, платформы смарт-контрактов, финансы, потребление и культура, утилиты и сервисы, искусственный интеллект.

Семь лучших токенов вошли в сегмент финансов, а пять — в платформы смарт-контрактов, что подчеркивает отход от валют. Особенно интересно, что биткоин вообще не попал в этот список.

Почему биткоин отстал

Хотя все шесть секторов показали рост, валюты отставали, что отражает скромный рост цены биткоина по сравнению с другими сегментами. При оценке с учетом риска биткоин не выделился.

Результаты криптосектора за 3 квартал 2025 года: Источник: Grayscale Research.
Результаты криптосектора за 3 квартал 2025 года: Источник: Grayscale Research.

Активы, попавшие в список, в основном были движимы новыми возможностями использования и ясностью регулирования. Эти тенденции сосредоточились на принятии стейблкоинов, объеме торгов на биржах и DAT-компаниях.

По данным Grayscale Research, рост объемов на централизованных биржах помог успеху таких токенов, как BNB и CRO. В то же время увеличение DAT-компаний и популярность стейблкоинов повысили спрос на платформы, такие как Ethereum, Solana и Avalanche.

Некоторые категории децентрализованных финансов (DeFi) также проявили себя, например, децентрализованные биржи бессрочных фьючерсов, такие как Hyperliquid и Drift, которые укрепили финансовый сектор.

Биткоин меньше зависел от этих факторов, так как он является одноранговой электронной наличностью и средством сохранения стоимости. Это позволило альткоинам, связанным с функциональными платформами и финансовыми услугами, значительно улучшить свои результаты с учетом риска.

Lecturas Relacionadas

Claude se volvió 'tonto' en toda la red, y Anthropic aclara el motivo: No es el modelo quien te falla

**Los usuarios de Claude Code se quejaban de que el modelo se volvió más torpe, pero Anthropic aclara: el problema no era el modelo, sino el ajuste de "Esfuerzo".** En marzo, muchos desarrolladores notaron que Claude Code parecía menos competente: omitía leer archivos o ejecutar pruebas. La comunidad criticó fuertemente a Anthropic. La causa real fue un cambio en la configuración predeterminada del nivel de **Esfuerzo (Effort)**, de "alto" a "medio", realizado para reducir la latencia. Este ajuste afectó cuánto trabajo invertía Claude en una tarea, no su conocimiento fundamental. Anthropic explica la diferencia clave entre **Modelo** y **Esfuerzo**: * **Modelo (Sonnet, Opus, Fable):** Representa la "inteligencia" o conocimiento base del modelo (pesos congelados del entrenamiento). Cambiarlo resuelve problemas de "¿puede hacerlo?". * **Esfuerzo (Effort):** Representa la "actitud" o cuánto trabajo está dispuesto a realizar en una tarea específica (leer archivos, ejecutar pruebas, verificar). Un Esfuerzo bajo hace que Claude responda rápido pero pida más contexto; un Esfuerzo alto lo hace investigar y trabajar de forma más autónoma. **Conclusión importante:** Un modelo más pequeño (como Sonnet) con un Esfuerzo alto puede superar a un modelo más grande (como Opus) con un Esfuerzo bajo en muchas tareas. El cambio de marzo demostró que los usuarios a menudo subestimaban el impacto del control de Esfuerzo, culpando erróneamente al modelo. **Marco para solucionar problemas:** 1. Verifica primero el contexto y las instrucciones (prompt). 2. Si Claude se equivoca, pregúntate: **¿Es que "no sabe" o "no se esfuerza lo suficiente"?** * **No se esfuerza (ej., omite pasos):** Aumenta el nivel de Esfuerzo. * **No sabe (ej., errores persistentes a pesar del contexto):** Cambia a un modelo más capaz. La lección es que el uso efectivo de herramientas de IA como Claude Code ya no se trata solo de elegir el modelo más potente, sino de aprender a **gestionar y asignar recursos** (modelo y esfuerzo) de manera inteligente para cada tarea, optimizando tanto el rendimiento como el coste.

marsbitHace 1 hora(s)

Claude se volvió 'tonto' en toda la red, y Anthropic aclara el motivo: No es el modelo quien te falla

marsbitHace 1 hora(s)

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

**Resumen en español europeo:** Más de 90 empresas, incluidas 70 dedicadas a la recopilación, compiten en el emergente campo de los datos de inteligencia encarnada en China. En el último año, 15 proveedores de datos independientes recaudaron aproximadamente 4.470 millones de RMB. El artículo, basado en estadísticas de "Quantum Bit", describe diez aspectos clave del sector: 1. **Métodos de recopilación:** Se dividen en cuatro categorías: teleoperación de robots reales, recopilación sin robot (con captura de movimiento), simulación y destilación de vídeos de internet. La mayoría de las empresas (43%) utilizan múltiples métodos, siendo la teleoperación la ruta única más común (31%). 2. **Perfil de los actores:** Los proveedores de datos independientes son el grupo más numeroso (40%), seguidos por plataformas de datos estatales (26%) y fabricantes de robots (25%). Dos tercios de las empresas son "nativas" del sector. 3. **Capacidad y distribución:** La capacidad anual actual se estima en 1,6-1,8 millones de horas, con el objetivo de multiplicarla por 15-20 en 1-3 años. Las "fábricas de datos" están presentes en 20 provincias, concentrándose en el delta del Yangtsé. 4. **Financiación y etapa:** La financiación del último año para proveedores independientes (44.700 millones RMB) es modesta comparada con la inversión total en inteligencia encarnada. El sector está muy fragmentado, con una sola "unicornio" (Lightwheel AI) que acaparó el 70% de la inversión. 69 fondos han invertido, pero ninguno de forma significativa, mostrando cautela. 5. **Conclusión:** El mercado de datos encarnados es ya una industria independiente y generadora de empleo, pero se encuentra en una fase muy temprana. Aún no está claro si "vender datos" será un negocio rentable, y los próximos 1-2 años serán cruciales para validar el modelo.

marsbitHace 4 hora(s)

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

marsbitHace 4 hora(s)

Trading

Spot
活动图片