Orca nutzt einen gemeinsamen latenten Raum für Text, Bilder und Aktionen und stellt daraus verschiedene Readouts bereit. Die Modelle gibt es laut Bericht mit 0,8 und vier Milliarden Parametern; das Vortraining enthielt keine gepaarten Aktions-Labels.
Bei einem zweiarmigen Humanoiden testete das Team unter anderem Bücher-Einräumen, Schalen-Stapeln und Zucker-Löffeln. Die Parität mit π0.5 und die übrigen Leistungswerte sind Autorenangaben und unabhängig noch nicht reproduziert.