El documento desarrolla una metodología de selección de variables innovadoramente adaptable a nivel bi-nivel para modelos de regresión cuantil con un número divergente de covariables. Las técnicas tradicionales de selección de variables en regresión cuantil, como las técnicas lasso y group lasso, ofrecen soluciones principalmente para la selección de variables individuales o a nivel de grupo, pero no para ambas simultáneamente. Para abordar esta limitación, introducimos un enfoque de puente de grupo adaptativo para la regresión cuantil, para seleccionar variables simultáneamente tanto a nivel de grupo como dentro de grupos de variables. El método propuesto ofrece varias ventajas notables. En primer lugar, maneja hábilmente los datos heterogéneos y/o sesgados inherentes a la regresión cuantil. En segundo lugar, es capaz de manejar modelos de regresión cuantil donde el número de parámetros crece con el tamaño de la muestra. En tercer lugar, mediante el empleo de una función de penalización ingeniosamente diseñada, nuestro método supera las técnicas tradicionales de estimación de puente de grupo en la identificación de variables importantes dentro de grupos con alta precisión. En cuarto lugar, exhibe la propiedad de selección de grupo oráculo, lo que implica que las variables relevantes tanto a nivel de grupo como dentro de grupos pueden ser identificadas con una probabilidad que converge a uno. Varios estudios numéricos corroboraron nuestros resultados teóricos.