Coinbase + Glassnode: Charting Crypto Q3 2025

insights.glassnodeОпубликовано 2025-07-16Обновлено 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.

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.

Похожее

Доход 100 миллионов долларов в год. Два соседа по общежитию из Беркли, 90-х годов рождения, создали самый прибыльный бизнес в сфере ИИ

Два студента Калифорнийского университета в Беркли, Анастасиос Ангелопулос и Вэй-Лин Чианг, превратили свой исследовательский проект — платформу Chatbot Arena для слепого сравнения ИИ-моделей — в бизнес с годовым доходом $100 млн. Их платформа, теперь известная как Arena, использует голосование пользователей для создания рейтинга больших языковых моделей (LLM), собрав 100 млн оценок. Хотя сам сервис для пользователей бесплатный, компания зарабатывает, предлагая платные услуги по углубленной оценке (AI Evaluations) для ИИ-компаний и корпораций. Это позволяет клиентам тестировать свои модели в реалистичных условиях, выявляя сильные и слабые стороны перед выпуском. Бизнес-модель Arena сравнивают с «продажей лопат во время золотой лихорадки». Всего через несколько недель после отделения от университета в 2025 году компания привлекла $100 млн в рамках посевного раунда при оценке в $600 млн. К январю 2026 года, после раунда финансирования серии A в $150 млн, её оценка достигла $1,7 млрд. Сегодня Arena расширяет свою деятельность, тестируя не только чат-ботов, но и автономных ИИ-агентов, способных выполнять сложные задачи, такие как программирование и анализ. Платформа стала важнейшим независимым арбитром в конкурентной борьбе между такими гигантами, как OpenAI, Google и Anthropic, доказывая, что в мире ИИ быть судьёй может быть выгоднее, чем быть игроком.

marsbit29 мин. назад

Доход 100 миллионов долларов в год. Два соседа по общежитию из Беркли, 90-х годов рождения, создали самый прибыльный бизнес в сфере ИИ

marsbit29 мин. назад

Набирает 24 тыс. звезд: одной командой ИИ сам находит себе навыки

Vercel представил инструмент навыков (skills) для ИИ-агентов, набравший 24 000 звезд на GitHub. Это менеджер пакетов, подобный npm, который позволяет одной командой `npx skills add` устанавливать готовые наборы правил и скриптов — «навыки» — в различные ИИ-инструменты (Claude Code, Cursor и др.). Он решает проблему передачи проектных требований и лучших практик ИИ. Ключевой особенностью является навык `find-skills`, который автоматически находит и устанавливает нужные пакеты по описанию задачи, действуя как поисковик способностей для ИИ. Однако эксперты по безопасности предупреждают о рисках. Аудит тысяч навыков выявил, что многие содержат критические уязвимости или вредоносный код, способный украсть данные или выполнить произвольные команды. В отличие от npm, навыки напрямую влияют на поведение ИИ и имеют доступ к системе. Таким образом, инструмент открывает эру удобного обмена ИИ-способностями, но требует от пользователей осторожности и проверки источников устанавливаемых пакетов.

marsbit30 мин. назад

Набирает 24 тыс. звезд: одной командой ИИ сам находит себе навыки

marsbit30 мин. назад

Токены съедают треть зарплат, счет за ИИ в Кремниевой долине вышел из-под контроля

Ключевые выводы из анализа SemiAnalysis: расходы на токены для внутренних ИИ-моделей в некоторых компаниях достигают 30% от фонда заработной платы. При этом производительность возрастает в разы: задачи, требовавшие ранее часов работы, теперь решаются за минуты за несколько долларов. Хотя такие компании, как Uber и Microsoft, столкнулись с неконтролируемым ростом ИИ-расходов и ограничивают бюджеты, анализ показывает, что стоимость токенов будет резко снижаться. За счёт оптимизации ПО (14-кратный рост скорости) и новых аппаратных решений (в 17-32 раза производительнее) стоимость к 2030 году может упасть более чем на 90%. Токен становится новым "средством производства". Несмотря на рекордные инвестиции в ИИ-инфраструктуру (7400 млрд долларов в 2024 году) и текущее отсутствие макроэкономического эффекта, это типичная фаза технологической революции: сначала строится "трубопровод", затем он наполняется "потоком" приложений. Компании, которые уже сейчас эффективно используют ИИ, как SemiAnalysis, получают многократное преимущество в производительности на фоне снижающихся издержек.

marsbit34 мин. назад

Токены съедают треть зарплат, счет за ИИ в Кремниевой долине вышел из-под контроля

marsbit34 мин. назад

Инженер Claude представляет Fable 5 и «Пылающую формулу», которая научит вас устранить информационный разрыв с моделью

Модель Fable 5 Claude привлекла большое внимание — от высоких ожиданий до правительственных ограничений. Главный вопрос: почему мощные модели иногда не справляются с задачами? Инженер Claude Code Тэрик Шихипар объясняет: проблема в **информационном разрыве** между пользователем и ИИ — различии между подсказкой, контекстом и реальным выполнением. **Карта — это не территория:** «Карта» — это ваши инструкции и контекст для Claude, а «территория» — реальный код, ограничения и мир. Разрыв между ними — **«неизвестные»**. Когда Claude встречает неизвестное, он действует по предположениям. Чем сложнее задача, тем больше неизвестных. Качество работы с Fable 5 напрямую зависит от умения выявлять и устранять эти пробелы. **Типы «неизвестных»:** 1. **Известные известные:** То, что четко указано в подсказке. 2. **Известные неизвестные:** Вопросы, которые вы осознаете. 3. **Неизвестные известные:** Очевидные для вас, но не озвученные детали. 4. **Неизвестные неизвестные:** То, о чем вы даже не подозреваете. **Как работать с Claude для устранения разрыва:** * **Планирование:** Попросите Claude провести «сканирование слепых зон», помочь с мозговым штурмом, создать прототип или задать уточняющие вопросы. * **Использование референсов:** Покажите примеры кода, дизайна или документации. * **Создание плана:** Перед реализацией пусть Claude составит план, выделив ключевые решения. * **В процессе:** Попросите вести файл с заметками о принятых решениях и отклонениях от плана. * **После:** Создавайте итоговые документы с объяснениями и даже проводите тесты на понимание проделанной работы. **Вывод:** Сила современных моделей требует нового подхода. Ключ к успеху — не просто давать команды, а **итеративно сотрудничать** с ИИ, выявляя «неизвестные» на всех этапах работы с помощью прототипов, вопросов и референсов. Это превращает Claude в настоящего партнера по решению задач.

marsbit34 мин. назад

Инженер Claude представляет Fable 5 и «Пылающую формулу», которая научит вас устранить информационный разрыв с моделью

marsbit34 мин. назад

OpenAI рушится: в оригинальной работе по Scaling law обнаружен баг, триллионные вычислительные мощности потрачены впустую

Бывший исследователь OpenAI Диого Алмейда заявил, что оригинальная работа OpenAI о Scaling Law содержит критическую ошибку, из-за которой вся индустрия ИИ несколько лет следовала неверному пути. В 2020 году OpenAI утверждала, что при фиксированном бюджете вычислительных мощностей следует увеличивать параметры модели, а не объем данных. Это привело к созданию «раздутых» моделей, таких как GPT-3. Однако в 2022 году DeepMind своей моделью Chinchilla опровергла этот подход, показав, что параметры и данные должны масштабироваться сбалансированно. Алмейда указывает на три ключевые проблемы в первоначальном исследовании OpenAI: 1) все модели обучались на одинаковом и недостаточном для больших моделей объеме данных; 2) использование затухания скорости обучения создавало ложное впечатление, что модели достигли предела; 3) выводы, справедливые для ограниченных условий, были ошибочно приняты за универсальный закон. В результате индустрия, возможно, потратила триллионы операций впустую на обучение неоптимальных моделей. Более того, как отмечают некоторые исследователи, текущие Scaling Law в основном отражают закономерности английского языка, который требует для обучения больше данных, чем другие языки. Это ставит под сомнение универсальность данных законов и указывает на возможность создания более эффективных моделей.

marsbit51 мин. назад

OpenAI рушится: в оригинальной работе по Scaling law обнаружен баг, триллионные вычислительные мощности потрачены впустую

marsbit51 мин. назад

Торговля

Спот
活动图片