正确答案是 D: Seq2Seq完全无法解决机器翻译问题。

分析：

A: 解决中间语义变量无法表达整个序列信息
Seq2Seq模型在编码阶段将整个输入序列压缩成一个固定长度的上下文向量（语义变量），这可能导致信息丢失，特别是对于长序列。因此，Attention机制被引入以帮助模型在解码过程中动态地关注输入序列的不同部分，从而更好地捕捉整个序列的信息。

B: 由于信息覆盖造成信息丢失
信息覆盖（信息压缩）确实是Seq2Seq模型的一个问题，因为它将整个输入序列的信息压缩到一个固定长度的上下文向量中。Attention机制通过允许模型在解码每个时间步时访问编码器的所有隐藏状态，部分解决了这个问题。

C: Seq2Seq中的语义变量C会造成“有损压缩”
这也是正确的。Seq2Seq模型的语义变量C（上下文向量）是对输入序列的有损压缩，特别是在处理长序列时，可能无法充分表示输入信息。Attention机制通过提供一种方法来动态获取输入序列的不同部分的上下文信息，缓解了这一问题。

D: Seq2Seq完全无法解决机器翻译问题
这不正确。尽管Seq2Seq模型在没有Attention机制时在处理长序列时表现不佳，它仍然可以用于基本的机器翻译任务。Attention机制的引入是为了提高Seq2Seq模型的性能，而不是因为Seq2Seq模型完全无法解决机器翻译问题。

因此，D选项的表述是不准确的，因为Seq2Seq模型能够解决机器翻译问题，但引入Attention可以显著提高其性能。