在Sequence-to-sequence (Seq2Seq)模型中，单词的嵌入表示是通过学习得到的。嵌入表示是将单词映射到低维度的连续向量空间中，以便能够捕捉到单词之间的语义和语法信息。

  一种常见的方法是使用词向量模型，如Word2Vec或GloVe，这些模型通过大规模的语料库训练而来，可以将每个单词表示为一个固定长度的向量。这些模型使用上下文窗口中的单词来预测目标单词，从而回归出每个单词的嵌入表示。

  另一种方法是使用预训练的嵌入模型，如BERT或ELMo。这些模型在大量的语料库上进行了训练，并且具有更好的语言理解能力。它们通过将上下文信息建模为单词的嵌入表示，使得单词的嵌入能够更好地捕捉到上下文中的语义。

  这些嵌入表示可以作为初始输入，通过Seq2Seq模型进行训练。在Seq2Seq模型中，通常使用循环神经网络（RNN）或者注意力机制来处理输入序列，并且根据编码器的输出来生成目标序列。通过对训练数据进行大规模的迭代训练，模型能够学习到适合特定任务的嵌入表示。

  需要注意的是，Seq2Seq模型中的嵌入表示并不是静态的，而是随着模型的训练而不断调整和优化的。通过反向传播算法，模型能够根据输入和目标序列之间的关系来更新嵌入表示，以使得模型能够更好地学习到单词的语义信息。