Con el rápido avance y despliegue generalizado de grandes modelos de lenguaje (LLMs), las preocupaciones sobre la procedencia del contenido, la protección de la propiedad intelectual y las amenazas de seguridad se han vuelto cada vez más prominentes. Las técnicas de marca de agua han surgido como una solución prometedora para incrustar señales verificables en las salidas del modelo, permitiendo la atribución, autenticación y mitigación del uso no autorizado. A pesar del creciente interés en marcar con agua LLMs, el campo carece de una revisión sistemática para consolidar la investigación existente y evaluar la efectividad de diferentes técnicas. Los desafíos clave incluyen la ausencia de una taxonomía unificada y la comprensión limitada de los compromisos entre capacidad, robustez e imperceptibilidad en escenarios del mundo real. Este documento aborda estas brechas al proporcionar una encuesta integral de métodos de marca de agua adaptados a LLMs, estructurados en torno a tres contribuciones principales: (1) Clasificamos estos métodos como enfoques sin entrenamiento y basados en entrenamiento y detallamos sus mecanismos, fortalezas y limitaciones para establecer una comprensión estructurada de las técnicas existentes. (2) Evaluamos estas técnicas en función de criterios clave, incluida la robustez, la imperceptibilidad y la capacidad de carga útil, para identificar su efectividad y limitaciones, destacando los desafíos en el diseño de soluciones de marca de agua resilientes y prácticas. (3) También discutimos desafíos abiertos críticos al esbozar futuras direcciones de investigación y consideraciones prácticas para impulsar la innovación en la marca de agua para LLMs. Al proporcionar una síntesis estructurada, este trabajo avanza en el desarrollo de soluciones de marca de agua seguras y efectivas para LLMs.