是的，Word2Vec的词向量可以在一定程度上用于句子级别的任务。尽管Word2Vec是为了捕捉单词之间的语义关系而设计的，但它可以通过将句子中的所有词向量进行平均或通过拼接来生成整个句子的向量表示。这种方法被称为"句子向量表示"或"句子级别的Word2Vec"。

  句子级别的Word2Vec可以用于许多句子级别的任务，例如文本分类、情感分析、句子相似度计算等。通过将整个句子表示为一个向量，我们可以利用Word2Vec学习到的词语关系来捕捉句子级别的语义信息。

  然而需要注意的是，句子级别的Word2Vec并不一定能够捕捉到所有的句子语义信息。因为Word2Vec是在单词级别上进行训练的，所以它可能无法充分考虑到句子级别的上下文关系。此外，由于平均或拼接操作可能导致信息丢失或过度扩展，句子级别的Word2Vec可能在处理更复杂的句子任务时表现不佳。

  因此，在进行句子级别的任务时，可以考虑采用其他更先进的模型或技术，如循环神经网络（RNN）、卷积神经网络（CNN）或Transformer等，这些模型可以更好地捕捉句子级别的语义信息。但是，如果任务比较简单或数据集较小，使用句子级别的Word2Vec也可能是一个简单而有效的选择。