diff --git a/.translate/state/hansen_singleton_1983.md.yml b/.translate/state/hansen_singleton_1983.md.yml
index e5a5c85f..2295c182 100644
--- a/.translate/state/hansen_singleton_1983.md.yml
+++ b/.translate/state/hansen_singleton_1983.md.yml
@@ -1,6 +1,6 @@
-source-sha: 4ab3365729d5afd5f25c62d73c505034e090a75c
-synced-at: "2026-07-22"
-model: claude-opus-4-8
-mode: NEW
+source-sha: 25044edf163f6ffb3e4647f80e3c738671f8d8ea
+synced-at: "2026-07-31"
+model: claude-sonnet-5
+mode: UPDATE
 section-count: 12
-tool-version: 0.20.0
+tool-version: 0.24.0
diff --git a/lectures/hansen_singleton_1983.md b/lectures/hansen_singleton_1983.md
index 647e1cff..0aa98d41 100644
--- a/lectures/hansen_singleton_1983.md
+++ b/lectures/hansen_singleton_1983.md
@@ -530,8 +530,7 @@ def simulate_restricted_var(
     """
     从受限模型模拟 [对数消费增长, 对数回报]。
     """
-    if seed is not None:
-        np.random.seed(seed)
+    rng = np.random.default_rng(seed)
 
     if len(params) != 6 + 2 * n_lags:
         raise ValueError("Parameter vector length must be 6 + 2 * n_lags.")
@@ -566,7 +565,7 @@ def simulate_restricted_var(
         for lag in range(1, n_lags + 1):
             lag_stack.append(y[t - lag, :])
         lag_vec = np.concatenate(lag_stack)
-        shock = np.random.multivariate_normal(np.zeros(2), Σ_v)
+        shock = rng.multivariate_normal(np.zeros(2), Σ_v)
         y[t, :] = np.linalg.solve(A0, A1 @ lag_vec + μ + shock)
 
     return y[burn_in:, :]
@@ -930,7 +929,7 @@ def estimate_mle(data, n_lags, verbose=False):
     }
 ```
 
-下面的残差诊断总结了正态性和序列相关性检查
+残差诊断下面总结了正态性和序列相关性检查
 
 ```{code-cell} ipython3
 def residual_diagnostics(resid):
@@ -1056,7 +1055,6 @@ display_table(sim_results, fmt={
 
 点估计接近真实参数，而针对"真实值正确"这一原假设的 t 统计量在数量级上很小，与抽样变异一致。
 
-
 ## 偏好参数与似然比检验
 
 受限系统通过跨方程限制嵌入了偏好参数。
@@ -1420,7 +1418,6 @@ display_table(spread_pretty, fmt={
 
 现在我们将 {cite:t}`hansen1983stochastic` 的最大似然估计器应用于真实数据。
 
-
 ### 数据
 
 本讲座和配套讲座 {doc}`hansen_singleton_1982` 使用相同的数据构造。
@@ -1841,4 +1838,4 @@ if diag_fit["converged"] and resid is not None:
 
 他们构建了一个不完整的概率模型，止步于不指定似然函数。
 
-为了推进，他们使用了广义矩估计法（GMM）估计器来估计出现在欧拉方程中的关键参数。
\ No newline at end of file
+为了推进，他们使用了广义矩估计法（GMM）估计器来估计出现在欧拉方程中的关键参数。