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

リポジトリのファイル、テスト、エントリポイントは指定されていません。まず、リンクされたリファレンス実装とチェックポイントを、diffusers にある既存の動画モデル統合と比較し、その後、MiMo-VL のプロンプト埋め込み、因果 KV キャッシュ、チャンク単位のデノイジング、オプションの参照画像をプロジェクトにどのように組み込むかを判断してください。リンクされたモデルリソースを使用して JoyAI-Video-Edit がサポートされれば完了です。

索引モデルが issue の本文から書いたものです。