Los datos a gran escala, caracterizados por la heterogeneidad debido a la varianza heterocedástica o a efectos de covariables no homogéneos, surgen en diversos campos de investigación científica y desarrollo tecnológico. La regresión de cuantiles (QR) es una herramienta valiosa para detectar la heterocedasticidad, y numerosos métodos estadísticos de QR para datos a gran escala se han desarrollado rápidamente. Este documento proporciona una revisión selectiva de los avances recientes en la teoría, métodos e implementaciones de QR, particularmente en el contexto de datos masivos y en continuo flujo. Nos enfocamos en tres estrategias clave para el análisis de QR a gran escala: (1) computación distribuida, (2) métodos de submuestreo y (3) actualización en línea. La principal contribución de este documento es una revisión exhaustiva del trabajo existente y los avances en estas áreas, abordando desafíos como manejar la función de pérdida QR no suave, desarrollar formulaciones distribuidas y de actualización en línea, y realizar inferencias estadísticas. Finalmente, resaltamos varios problemas que requieren un estudio adicional.