Add support for JoyAI-Video-Edit

### Model/Pipeline/Scheduler description

[JoyAI-Video-Edit](https://github.com/jd-opensource/JoyAI-Video-Edit) is an instruction-guided video editing model based on the JoyAI streaming architecture.

It performs causal, chunk-wise video denoising with a per-layer KV cache. Each chunk attends to previously denoised chunks and may additionally attend to an optional reference image.

Prompt embeddings are produced by the external [MiMo-VL](https://huggingface.co/XiaomiMiMo/MiMo-VL-7B-RL-2508) model.

### Open source status

- [x] The model implementation is available.
- [x] The model weights are available (Only relevant if addition is not a scheduler).

### Provide useful links for the implementation

- Reference implementation: https://github.com/jd-opensource/JoyAI-Video-Edit
- Original checkpoint: https://huggingface.co/jdopensource/JoyAI-Video-Edit
- MiMo-VL: https://huggingface.co/XiaomiMiMo/MiMo-VL-7B-RL-2508

No se nombran archivos del repositorio, pruebas ni puntos de entrada. Empieza comparando la implementación de referencia y el checkpoint enlazados con las integraciones de modelos de vídeo existentes en diffusers, y determina después cómo encajan en el proyecto los embeddings de prompts de MiMo-VL, la caché KV causal, el denoising por chunks y las imágenes de referencia opcionales. Se considera terminado cuando JoyAI-Video-Edit sea compatible mediante los recursos del modelo enlazados.

Escrito por el modelo de indexación a partir del texto del issue.