在PaddlePaddle框架中進行序列生成任務，通常可以使用基于Transformer模型的Seq2Seq模型。以下是一個簡單的示例代碼，演示如何在PaddlePaddle中實現一個簡單的序列生成任務：

import paddle
from paddle import nn

class Seq2SeqModel(nn.Layer):
    def __init__(self, vocab_size, embedding_dim, hidden_dim):
        super(Seq2SeqModel, self).__init__()
        
        self.embedding = nn.Embedding(vocab_size, embedding_dim)
        self.encoder = nn.TransformerEncoder(nn.TransformerEncoderLayer(embedding_dim, nhead=2, dim_feedforward=hidden_dim), num_layers=2)
        self.decoder = nn.TransformerDecoder(nn.TransformerDecoderLayer(embedding_dim, nhead=2, dim_feedforward=hidden_dim), num_layers=2)
        self.linear = nn.Linear(embedding_dim, vocab_size)
        
    def forward(self, src_seq, tgt_seq):
        src_emb = self.embedding(src_seq)
        tgt_emb = self.embedding(tgt_seq)
        
        encoder_output = self.encoder(src_emb)
        decoder_output = self.decoder(tgt_emb, encoder_output)
        
        output = self.linear(decoder_output)
        
        return output

# 定義模型參數
vocab_size = 10000
embedding_dim = 256
hidden_dim = 512

# 創建模型
model = Seq2SeqModel(vocab_size, embedding_dim, hidden_dim)

# 定義損失函數和優化器
loss_fn = nn.CrossEntropyLoss()
optimizer = paddle.optimizer.Adam(parameters=model.parameters())

# 訓練模型
for epoch in range(num_epochs):
    for batch in data_loader:
        src_seq, tgt_seq = batch
        
        # 前向傳播
        output = model(src_seq, tgt_seq)
        loss = loss_fn(output, tgt_seq)
        
        # 反向傳播
        optimizer.clear_grad()
        loss.backward()
        optimizer.step()

在上面的示例中，我們定義了一個簡單的Seq2Seq模型，并使用Transformer模型作為編碼器和解碼器。我們首先定義了模型結構，然后定義了損失函數和優化器，最后進行模型訓練。在訓練過程中，我們將源序列和目標序列輸入模型，計算損失并進行反向傳播優化模型參數。通過多次迭代訓練，我們可以得到一個用于序列生成任務的模型。