تمثيل الألعاب من خلال بكسلاتها يُعد نهجًا واعدًا لبناء نماذج ألعاب عامة ومتعددة الاستخدامات. وعلى الرغم من أن الألعاب ليست مجرد صور، فإن النماذج الشبكية العصبية التي تُدرّب على بكسلات الألعاب غالبًا ما تُدرك الفروق في الأسلوب البصري للصورة بدلًا من محتوى اللعبة نفسه. ونتيجة لذلك، لا يمكن لهذه النماذج التعميم بشكل جيد حتى داخل ألعاب متشابهة ضمن نفس النوع. في هذا البحث، نستند إلى التقدم الأخير في التعلم المُقارن (contrastive learning) ونُظهر فوائده في تعلم التمثيل للألعاب. فتعلم مقارنة الصور الخاصة بالألعاب لا يُعدّ بذاته وسيلة أكثر كفاءة لتصنيف الألعاب، بل يُنتج أيضًا نماذج قادرة على فصل الألعاب بطريقة أكثر معنى، وذلك من خلال تجاهل الأسلوب البصري والتركيز بدلًا من ذلك على محتواها. وتشير نتائجنا على مجموعة بيانات كبيرة من ألعاب الفيديو الرياضية، تتضمن 100 ألف صورة عبر 175 لعبة و10 أنواع من الألعاب، إلى أن التعلم المُقارن أكثر ملاءمة لتعلم تمثيلات عامة للألعاب مقارنة بالتعلم المراقب التقليدي. تُقرب هذه النتائج من إنشاء مشغلات بصرية عالمية للألعاب يمكن إعادة استخدامها عبر ألعاب لم تُرَ من قبل دون الحاجة إلى إعادة التدريب أو التحسين الدقيق.