diff --git a/.translate/state/os_egm.md.yml b/.translate/state/os_egm.md.yml
index 2f1c4b1..7401740 100644
--- a/.translate/state/os_egm.md.yml
+++ b/.translate/state/os_egm.md.yml
@@ -1,6 +1,6 @@
-source-sha: 1abb15f5fc0273ea02b47850f447b3c224255123
-synced-at: "2026-07-22"
-model: claude-opus-4-8
-mode: NEW
+source-sha: 6234f272c9d4fba80da267cb08c5c43bbbf40d67
+synced-at: "2026-07-31"
+model: claude-sonnet-5
+mode: UPDATE
 section-count: 3
-tool-version: 0.20.0
+tool-version: 0.24.0
diff --git a/lectures/os_egm.md b/lectures/os_egm.md
index ed6e363..52a808e 100644
--- a/lectures/os_egm.md
+++ b/lectures/os_egm.md
@@ -112,7 +112,6 @@ u'(c)
 
 然后迭代继续……
 
-
 ### 内生网格
 
 上面讨论的方法需要一个求根程序来找到对应于给定收入值 $x_i$ 的 $c_i$。
@@ -148,7 +147,6 @@ c_i =
 
 EGM 这个名称源于网格 $\{x_i\}$ 是**内生**确定的这一事实。
 
-
 ## 实现
 
 与 {doc}`os_time_iter` 中一样，我们将从一个简单的设定开始，其中
@@ -218,8 +216,8 @@ def create_model(
     s_grid = np.linspace(1e-4, grid_max, grid_size)
 
     # 存储冲击（带种子，使结果可复现）
-    np.random.seed(seed)
-    shocks = np.exp(μ + ν * np.random.randn(shock_size))
+    rng = np.random.default_rng(seed)
+    shocks = np.exp(μ + ν * rng.standard_normal(shock_size))
 
     return Model(
         u, f, β, μ, ν, s_grid, shocks, α, u_prime, f_prime, u_prime_inv
@@ -362,4 +360,4 @@ EGM 比时间迭代更快，因为它避免了数值求根。
 
 在 {doc}`os_egm_jax` 中，我们将使用一个完全向量化且高效的 EGM 版本，它还使用 JAX 进行了并行化。
 
-这为求解我们过去几讲一直在研究的最优消费问题提供了一种极其快速的方法。
\ No newline at end of file
+这为求解我们过去几讲一直在研究的最优消费问题提供了一种极其快速的方法。