Coinbase + Glassnode: Charting Crypto Q3 2025

insights.glassnodePublié le 2025-07-16Dernière mise à jour le 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.

Lectures associées

Anthropic crée un « Code pénal » pour les jailbreaks de l'IA : vos requêtes, quatre manières de mourir

Anthropic, la société derrière l'IA Claude, a dévoilé un système de classification strict nommé CJS (Cyber Jailbreak Severity) pour évaluer et contrer les tentatives de "jailbreak" (contournement des garde-fous) de ses modèles. Ce cadre classe les requêtes des utilisateurs en quatre catégories de risque, des activités malveillantes (bloquées) aux activités bénignes (autorisées). Cependant, sa sensibilité excessive entraîne de nombreux faux positifs, bloquant des demandes légitimes comme du débogage. Le système CJS évalue la gravité d'un jailbreak sur quatre axes : le gain de capacité, l'étendue des capacités, la difficulté de weaponisation et la découvrabilité. Un score total de 0 à 10 détermine la réponse appropriée, de l'ignorance à la désactivation du modèle. Ce cadre vise à fournir une métrique objective, mais soulève des questions car Anthropic, qui développe également des modèles avancés comme Mythos réservés à des partenaires, définit seule les règles. Cette initiative intervient après que le modèle Fable 5 a été temporairement retiré suite à une demande de conformité aux contrôles à l'exportation américains, marquant une extension de ces régulations aux API d'IA. Ainsi, le CJS n'est pas seulement un outil technique ; il sert aussi de référence potentielle pour les décisions réglementaires futures, traçant une ligne floue entre sécurité et restriction de l'innovation, où les utilisateurs doivent constamment adapter leur langage pour éviter des blocages injustifiés.

marsbitIl y a 23 mins

Anthropic crée un « Code pénal » pour les jailbreaks de l'IA : vos requêtes, quatre manières de mourir

marsbitIl y a 23 mins

1 milliard de dollars de revenus annuels, deux colocataires nonagénaires de Berkeley, créent l'entreprise d'IA la plus rentable

Une entreprise qui ne développe pas d'IA génère 100 millions de dollars de revenus annuels : Arena, anciennement Chatbot Arena, est passée d'un projet de recherche open source de l'UC Berkeley en 2023 à une plateforme incontournable d'évaluation des grands modèles linguistiques (LLM). Son classement, basé sur des tests en aveugle par des utilisateurs réels, est devenu une référence pour les géants comme OpenAI, Google, et Anthropic. Leur modèle économique, lancé il y a huit mois, propose un service payant d'évaluation approfondie (AI Evaluations) pour les entreprises souhaitant tester leurs modèles dans des conditions réelles. Cette position d'« arbitre neutre » a propulsé leur chiffre d'affaires annuel à 1 milliard de dollars. Fondée par deux anciens colocataires de Berkeley, Anastasios Angelopoulos (CEO) et Wei-Lin Chiang (CTO, créateur du chatbot open source Vicuna), et soutenue par le professeur Ion Stoica, l'entreprise a levé 150 millions de dollars en série A, atteignant une valorisation de 17 milliards de dollars. Arena évolue désormais vers l'évaluation des agents IA sur des tâches complexes, comme le codage ou la recherche, indiquant que l'évaluation précise des performances de l'IA devient un enjeu économique majeur.

marsbitIl y a 27 mins

1 milliard de dollars de revenus annuels, deux colocataires nonagénaires de Berkeley, créent l'entreprise d'IA la plus rentable

marsbitIl y a 27 mins

2,4k étoiles en un clin d'œil : avec une seule commande, l'IA apprend à trouver ses propres compétences

Le projet « skills » de Vercel, une sorte de gestionnaire de paquets « npm » pour les agents d'IA, connaît un succès fulgurant avec 24 000 étoiles sur GitHub. Il permet aux développeurs d'ajouter des compétences (skills) à leurs assistants IA (comme Claude Code, Cursor) via une simple commande : `npx skills add <package>`. Ces paquets encapsulent des connaissances spécifiques (bonnes pratiques React, conventions d'équipe) dans un dossier contenant un fichier SKILL.md et éventuellement des scripts. La plateforme skills.sh propose un répertoire et un classement des paquets les plus populaires, comme « find-skills » (2,3 millions d'installations). Cette « compétence » permet à l'IA de rechercher et d'installer automatiquement d'autres skills pertinents en fonction d'une demande utilisateur, agissant comme un moteur de recherche de capacités. Cependant, cette commodité s'accompagne de risques de sécurité majeurs. Des audits (comme celui de Snyk « ToxicSkills ») révèlent qu'une part significative des skills tiers contient des vulnérabilités ou des charges malveillantes, pouvant conduire à des injections de prompt, des fuites de clés ou l'exécution de code arbitraire. Contrairement à npm, les skills mélangent instructions, code et accès système, amplifiant les menaces. En somme, Vercel réplique dans l'ère de l'IA sa stratégie réussie avec Next.js : simplifier et standardiser des flux complexes en une commande. Mais l'écosystème naissant des compétences d'IA hérite aussi des pièges classiques des gestionnaires de paquets, nécessitant une vigilance accrue quant à la source et aux permissions des paquets installés.

marsbitIl y a 28 mins

2,4k étoiles en un clin d'œil : avec une seule commande, l'IA apprend à trouver ses propres compétences

marsbitIl y a 28 mins

Le développeur Claude livre enfin « Fable 5 Fén Jué » pour vous apprendre à briser le déficit d'information avec le modèle

Fable 5, depuis son lancement, a connu un parcours tumultueux, passant des attentes élevées à une interdiction par le gouvernement américain. Aujourd’hui, l’accent est remis sur la productivité. Thariq Shihipar, ingénieur chez Claude Code, a publié un guide détaillé pour utiliser efficacement Fable 5. Le cœur du problème : l’écart d’information entre l’utilisateur et le modèle. Thariq appelle cela les « inconnues » – la différence entre les instructions données (la « carte ») et la réalité de la tâche (le « territoire »). La qualité du travail dépend de notre capacité à réduire ces inconnues. Il identifie quatre types d’inconnues : - Les **connues connues** : ce que nous spécifions clairement. - Les **connues inconnues** : ce que nous savons ne pas savoir. - Les **inconnues connues** : ce qui est évident pour nous mais pas explicité. - Les **inconnues inconnues** : ce que nous ignorons totalement. Le guide propose des méthodes pour les découvrir à chaque étape : **Avant l’implémentation** : - **Scan des angles morts** : Demander à Claude d’identifier les « inconnues inconnues ». - **Brainstorming et prototypage** : Explorer des idées visuelles ou fonctionnelles pour clarifier les attentes. - **Contre-interrogatoire** : Laisser Claude poser des questions pour éliminer les ambiguïtés. - **Références** : Fournir du code ou des exemples concrets comme modèles. - **Plan d’implémentation** : Faire rédiger un plan par Claude pour valider l’approche. **Pendant l’implémentation** : - **Notes d’implémentation** : Maintenir un fichier pour documenter les décisions et écarts. **Après l’implémentation** : - **Documentation explicative** : Créer un résumé clair pour faciliter les revues et l’approbation. - **Test de compréhension** : Se faire interroger par Claude pour s’assurer de maîtriser les changements. Thariq illustre cette approche avec la création de la vidéo de lancement de Fable, entièrement éditée par Claude Code. Il a dû découvrir ses « inconnues » en matière de montage et d’étalonnage pour guider efficacement le modèle. En conclusion, plus le modèle est puissant, plus une méthode structurée pour identifier et réduire les inconnues devient cruciale. Chaque prototype, brainstorming ou question est une opportunité d’aligner la « carte » et le « territoire » avant de s’engager profondément dans la réalisation.

marsbitIl y a 32 mins

Le développeur Claude livre enfin « Fable 5 Fén Jué » pour vous apprendre à briser le déficit d'information avec le modèle

marsbitIl y a 32 mins

Les tokens dévorent 30% des salaires, la facture IA de la Silicon Valley devient incontrôlable

Les coûts liés aux jetons (tokens) d'IA, représentant désormais 30 % de la masse salariale chez certains acteurs comme SemiAnalysis, illustrent la transformation radicale de la productivité dans les services spécialisés. Si cette dépense achète une efficacité plusieurs fois supérieure au travail humain pour des tâches comme l'analyse de données, d'autres géants technologiques comme Uber ou Microsoft font face à des factures d'IA explosives et à un retour sur investissement encore incertain. Le paradoxe actuel est frappant : les investissements en IA explosent (7400 milliards de dollars en 2024), tandis que les réductions de coûts se poursuivent. Pourtant, l'impact économique mesurable reste limité. La thèse centrale de l'article est que cette phase de construction d'infrastructure précède toujours l'arrivée des bénéfices. L'optimisme repose sur une baisse structurelle des coûts. Grâce aux progrès matériels (ex: GB300 NVL72, +32x de débit) et logiciels (optimisations logicielles multipliant les performances par 14), le prix réel du traitement des jetons s'effondre. Chez SemiAnalysis, un coût affiché de 5$/million de tokens est ramené à 0.99$ grâce à un cache efficace et un ratio entrée/sortie favorable. Cette déflation devrait se poursuivre, rendant l'IA de plus en plus accessible. Le choix pour les entreprises est désormais clair : adopter dès maintenant ces outils pour gagner un avantage concurrentiel décisif, ou attendre et risquer de prendre un retard considérable.

marsbitIl y a 33 mins

Les tokens dévorent 30% des salaires, la facture IA de la Silicon Valley devient incontrôlable

marsbitIl y a 33 mins

Trading

Spot