Los modelos de lenguaje grandes (LLMs) han transformado el campo del procesamiento del lenguaje natural (NLP), logrando un rendimiento de vanguardia en tareas como la traducción, la resumición y el razonamiento. A pesar de sus impresionantes capacidades, persisten desafíos, incluidos sesgos, interpretabilidad limitada y entrenamiento intensivo en recursos. El aprendizaje en conjunto, una técnica que combina múltiples modelos para mejorar el rendimiento, presenta una vía prometedora para abordar estas limitaciones en los LLMs. Esta revisión explora el campo emergente de los LLMs en conjunto, proporcionando un análisis exhaustivo de las metodologías actuales, aplicaciones en diversos dominios y desafíos existentes. Al revisar las estrategias en conjunto y evaluar su efectividad, este documento destaca el potencial de los LLMs en conjunto para mejorar la robustez y la generalización, al tiempo que propone direcciones de investigación futuras para avanzar en el campo.