拡散型大規模言語モデル（dLLMs）の最近の進展により、自然言語生成タスクにおいて自己回帰型（AR）LLMの代替として有望なアプローチが登場した。このアプローチは、完全なアテンション機構とノイズ除去に基づくデコード戦略を活用している。しかし、これらのモデルはパラメータ数が膨大でリソース要求が高いため、エッジデバイスへの展開は依然として困難である。一方で、後訓練量子化（PTQ）はAR LLMの圧縮に広く採用されている技術であるが、dLLMsへの適用性についてはほとんど検討されていない。本研究では、拡散型言語モデルの量子化に関する初めての体系的研究を報告する。まず、活性化値が異常に大きくなり、動的範囲を支配する「活性化アウトライア」の存在を特定した。このようなアウトライアは、低ビット量子化において主要な課題を引き起こす。なぜなら、多数の値の精度を保持することが困難になるからである。さらに重要なことに、最先端のPTQ手法を実装し、複数のタスクタイプおよびモデルバリアントにおいて包括的な評価を実施した。本分析は、ビット幅、量子化手法、タスクカテゴリ、モデルタイプの4つの主要な観点から構成されている。この多角的評価を通じて、異なる設定下におけるdLLMの量子化挙動に関する実用的な知見を提供する。本研究の成果が、今後の効率的なdLLM展開に関する研究の基盤となることを期待している。すべてのコードおよび実験設定は、コミュニティの支援を目的として公開する予定である。