La demanda de soluciones electromagnéticas rápidas y precisas para respaldar las tecnologías actuales y emergentes ha impulsado el rápido desarrollo de diversas técnicas de aprendizaje automático para aplicaciones como el diseño y optimización de antenas, la imagen de microondas, el diagnóstico de dispositivos, y más. Los métodos de modelado de sustitución de múltiples fidelidades (MF) han demostrado gran promesa en la reducción significativa de los costos computacionales asociados con el modelado de sustitución, al tiempo que mantienen una alta precisión del modelo. Este trabajo ofrece una revisión exhaustiva de los métodos de modelado de sustitución de múltiples fidelidades disponibles en electromagnetismo, centrándose en metodologías específicas, desafíos relacionados y la generación de conjuntos de datos de múltiples fidelidades. El artículo está estructurado en torno a los dos tipos principales de problemas electromagnéticos: directos e inversos. Comienza resumiendo conceptos clave de aprendizaje automático y limitaciones. Esto se traduce en la discusión de arquitecturas de modelos de sustitución de múltiples fidelidades y técnicas de datos de baja fidelidad para el problema directo. Posteriormente, se presentan los desafíos únicos del problema inverso, junto con soluciones tradicionales y sus limitaciones. A continuación, la revisión examina enfoques de modelado de sustitución de múltiples fidelidades adaptados al problema inverso. En conclusión, la revisión esboza direcciones futuras prometedoras en el modelado de múltiples fidelidades para electromagnetismo, con el objetivo de proporcionar ideas fundamentales para comprender estos métodos en desarrollo.