Coinbase + Glassnode: Charting Crypto Q3 2025

insights.glassnodeDipublikasikan tanggal 2025-07-16Terakhir diperbarui pada 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.

Bacaan Terkait

Anthropic Ciptakan 'Kitab Hukum Pidana' AI Jailbreak: Permintaan Anda, Empat Jenis Hukuman Mati

Anthropic, perusahaan di balik model AI Claude, baru-baru ini merilis sistem pengamanan yang ketat dan kerangka kerja penilaian bernama CJS (Cyber Jailbreak Severity) untuk mengklasifikasi dan mengukur tingkat bahaya upaya "jailbreak" atau pelarian keamanan pada model AI mereka. Artikel ini menceritakan bagaimana permintaan yang tampaknya biasa, seperti menghitung huruf dalam kata "raspberry" atau menyebutkan profesi sebagai ahli bio-statistik, bisa langsung ditolak atau menyebabkan penurunan kualitas respons model (seperti dialihkan ke versi Claude Opus 4.8 yang lebih lama). Insiden ini memicu kritik dari pengguna. Untuk mengatasi hal ini, Anthropic mengategorikan semua permintaan terkait keamanan siber ke dalam empat tingkat risiko: 1. **Hukuman mati (langsung diblokir):** Perangkat lunak ransomware, pencurian data, pengembangan malware. 2. **Penggunaan ganda risiko tinggi:** Pengujian penetrasi, pengembangan eksploitasi kerentanan kompleks. 3. **Penggunaan ganda risiko rendah:** Pengumpulan intelijen sumber terbuka, pemindaian kerentanan yang diketahui. 4. **Tidak berbahaya:** Pengodean aman, debug, analisis log. Namun, sistem klasifikasi ini diatur sangat sensitif dengan prinsip "lebih baik membunuh seribu permintaan daripada melewatkan satu yang berbahaya", menyebabkan banyak permintaan sah (seperti debugging) juga terkena blokir. Kerangka kerja CJS diperkenalkan sebagai alat untuk menilai seberapa serius sebuah jailbreak, menggunakan empat parameter: * **Peningkatan Kemampuan (0-4):** Seberapa banyak jailbreak memberi kemampuan baru di atas alat yang ada. * **Luas Kemampuan (0-2):** Rentang aktivitas berbahaya yang bisa dilakukan. * **Tingkat Kesulitan Pemanjatan (0-2):** Mudah atau tidaknya jailbreak diubah menjadi serangan nyata. * **Tingkat Kemudahan Penemuan (0-2):** Seberapa mudah jailbreak ditemukan. Skor total (0-10) menentukan tingkat keparahan dari CJS-0 (hanya informasi) hingga CJS-4 (krisis). Skor ini kontekstual dan bisa berubah berdasarkan waktu dan pengetahuan yang tersedia secara publik. Artikel ini menyoroti kekhawatiran bahwa Anthropic, bersama aliansi Glasswing yang didanai perusahaan teknologi besar, berpotensi memegang kekuasaan besar dalam mendefinisikan standar bahaya. CJS bisa menjadi alat bagi regulator untuk memutuskan kapan sebuah model AI harus ditutup. Ini terlihat dari insiden Juni di mana akses ke model Fable 5 diputus secara global untuk warga negara asing karena peraturan ekspor AS, menandai pertama kalinya kontrol ekspor langsung membatasi akses API model AI. Kesimpulannya, pengembang dan pengguna sekarang harus berhati-hati dalam merangkai perintah (prompt), waspada terhadap penurunan kualitas respons sebagai tanda pembatasan, dan menunggu perbaikan dari Anthropic—yang tidak memiliki jadwal pasti. Artikel ini berargumen bahwa masalah ini telah melampaui sekadar teknis, menjadi masalah kebijakan dan kontrol.

marsbit23m yang lalu

Anthropic Ciptakan 'Kitab Hukum Pidana' AI Jailbreak: Permintaan Anda, Empat Jenis Hukuman Mati

marsbit23m yang lalu

Penghasilan Tahunan $100 Juta, Dua Teman Sekamar UC Berkeley Generasi 90an, Menciptakan Bisnis AI Paling Menguntungkan

Dua teman sekamar di UC Berkeley, keduanya berusia 90-an, menciptakan bisnis AI yang sangat menguntungkan: Arena. Bermula dari proyek penelitian sumber terbuka bernama Chatbot Arena pada 2023, platform ini telah berkembang menjadi "gelanggang" benchmark model AI global yang netral. Pengguna dapat membandingkan respons dari dua model anonim dan memilih yang terbaik, menghasilkan peringkat berbasis Elo yang diakui industri. Dengan lebih dari 10 juta penilaian pengguna, 700 juta percakapan, dan 82 juta suara, Arena menjadi standar de facto untuk pengujian model besar. Raksasa seperti OpenAI, Google, dan Anthropic mengirimkan model mereka ke sini, bahkan OpenAI menguji GPT-5 secara diam-diam di platform ini. Kunci kesuksesan monetisasinya adalah layanan komersial "AI Evaluations", diluncurkan September lalu. Layanan ini memungkinkan perusahaan membayar untuk pengujian mendalam oleh komunitas jutaan pengguna Arena, memberikan analisis performa model di dunia nyata. Hanya dalam 8 bulan, pendapatan tahunan layanan ini telah mencapai $100 juta. Perusahaan ini didirikan oleh CEO Anastasios Angelopoulos (ahli matematika/machine learning), CTO Wei-Lin Chiang (pembuat Vicuna), dan profesor UC Berkeley Ion Stoica sebagai penasihat. Mereka mengumpulkan $100 juta dalam pendanaan seed dan $150 juta dalam Seri A, dengan valuasi mencapai $1.7 miliar. Arena terus berinovasi dengan memperkenalkan "Agent Mode" untuk mengevaluasi agen AI dalam tugas panjang seperti coding dan penelitian, melampaui sekadar penilaian percakapan. Bisnis mereka membuktikan bahwa dalam demam emas AI, menyediakan alat pengukuran yang andal (seperti "menjual sekop dan air") bisa lebih berharga daripada menambang sendiri.

marsbit28m yang lalu

Penghasilan Tahunan $100 Juta, Dua Teman Sekamar UC Berkeley Generasi 90an, Menciptakan Bisnis AI Paling Menguntungkan

marsbit28m yang lalu

Meraih 24K Bintang GitHub: Dengan Satu Baris Perintah, AI Sekarang Bisa Mencari Skill Sendiri

Vercel telah meluncurkan "skills", alat baris perintah untuk mengelola paket kemampuan (skills) untuk agen AI, yang telah menarik 24.000 bintang di GitHub dalam 5 bulan. Alat ini memungkinkan pengguna menginstal "skill packages" dengan perintah sederhana seperti `npx skills add <package>`, yang berisi aturan, template, atau skrip untuk meningkatkan kemampuan agen AI dalam tugas tertentu (misalnya, pengembangan React). Skills berfungsi seperti npm untuk AI, mendukung lebih dari 68 agen seperti Claude Code dan Cursor. Platform skills.sh menampilkan direktori dan peringkat skill populer, di mana "find-skills" (2,3 juta instalasi) menonjol sebagai skill untuk menemukan dan menginstal skill lain secara otomatis. Inisiatif ini menandai pergeseran dari "prompt engineering" ke "capability engineering", di mana kemampuan AI dapat dikemas dan digunakan kembali. Namun, audit keamanan oleh Snyk dan Koi Security mengungkapkan risiko signifikan: sekitar 13,4% dari hampir 4.000 skill dianalisis mengandung kerentanan serius, termasuk malware dan pencurian data. Pengguna disarankan untuk memeriksa sumber dan izin skill sebelum menginstal. Diciptakan oleh Guillermo Rauch (pendiri Vercel), proyek ini melanjutkan misinya untuk menyederhanakan pengembangan dengan alat baris perintah yang kuat, kini diterapkan pada ekosistem agen AI.

marsbit28m yang lalu

Meraih 24K Bintang GitHub: Dengan Satu Baris Perintah, AI Sekarang Bisa Mencari Skill Sendiri

marsbit28m yang lalu

Insinyur Claude Akhirnya Mengeluarkan Fable 5, Mengajarkan Cara Menghilangkan Kesenjangan Informasi dengan Model

Artikel ini membahas strategi untuk meningkatkan efektivitas penggunaan model AI Claude Fable 5 dalam pemrograman dan tugas-tugas kompleks lainnya. Inti permasalahan yang diangkat adalah adanya "kesenjangan informasi" antara pengguna dan model, di mana petunjuk (prompt), konteks, dan keterampilan yang diberikan tidak sepenuhnya mencerminkan kompleksitas tugas sebenarnya ("peta" vs "wilayah"). Penulis, Thariq Shihipar (insinyur Claude Code), memperkenalkan konsep "hal yang tidak diketahui" (unknowns) yang dikategorikan menjadi empat jenis: diketahui-diketahui, diketahui-tidak diketahui, tidak diketahui-diketahui, dan tidak diketahui-tidak diketahui. Kunci keberhasilan adalah secara aktif mengidentifikasi dan mengklarifikasi hal-hal yang tidak diketahui ini sebelum, selama, dan setelah proses implementasi. Artikel ini menawarkan berbagai teknik praktis untuk mencapai hal tersebut, seperti: - **Sebelum Implementasi**: Pemindaian titik buta (blindspot scan), brainstorming dan pembuatan prototipe, wawancara balik oleh Claude, penggunaan referensi kode, dan pembuatan rencana implementasi. - **Selama Implementasi**: Menyimpan catatan implementasi untuk melacak penyimpangan dari rencana. - **Setelah Implementasi**: Membuat dokumen penjelasan dan presentasi, serta melakukan kuis untuk memastikan pemahaman menyeluruh. Kesimpulannya, semakin kuat kemampuan model AI, semakin penting bagi pengguna untuk terampil dalam mendefinisikan batasan dan detail tugas. Dengan secara proaktif bekerja sama dengan Claude untuk menemukan dan mengatasi "hal-hal yang tidak diketahui", pengguna dapat secara signifikan meningkatkan kualitas dan efisiensi hasil kerja.

marsbit32m yang lalu

Insinyur Claude Akhirnya Mengeluarkan Fable 5, Mengajarkan Cara Menghilangkan Kesenjangan Informasi dengan Model

marsbit32m yang lalu

Token Telan Sepertiga Gaji, Tagihan AI di Silicon Valley Tak Terkendali

**Ringkasan:** Token AI menghabiskan 30% dari gaji, tagihan AI di Silicon Valley tak terkendali. Biaya token untuk model AI internal di SemiAnalysis mencapai 30% dari total gaji karyawan. Namun, ini justru menghasilkan efisiensi yang luar biasa, mengubah unit ekonomi di sektor jasa profesional. Sementara itu, perusahaan seperti Uber dan Microsoft berjuang dengan tagihan AI yang membengkak dan penggunaan yang tak terkendali, di mana biaya komputasi bahkan bisa melebihi biaya tenaga kerja. Di sisi lain, biaya token diperkirakan akan turun drastis. Optimasi perangkat lunak dan keras (seperti B300 dan GB300 NVL72) dapat meningkatkan throughput hingga belasan kali lipat. Meski harga tampak mahal (misalnya, Opus 4.7), rasio input/output yang tinggi dan cache membuat biaya campuran bisa serendah $0,99 per juta token. Analis memprediksi biaya inferensi model besar akan turun lebih dari 90% pada 2030. Intinya, dunia AI saat ini terbelah: investasi besar-besaran ($7400 miliar pada 2024) dan PHK terjadi bersamaan, namun dampak ekonomi riil masih minim. Ini adalah fase "membangun pipa" sebelum aliran manfaatnya terasa. Bagi perusahaan seperti SemiAnalysis, token sudah menjadi "alat produksi" baru yang memberikan leverage produktivitas tinggi dengan biaya yang terus menurun. Pilihannya: mulai beradaptasi sekarang atau tertinggal.

marsbit33m yang lalu

Token Telan Sepertiga Gaji, Tagihan AI di Silicon Valley Tak Terkendali

marsbit33m yang lalu

Trading

Spot
活动图片

Kategori Populerright-arrow

Tag Populerright-arrow